一维卷积神经网络在机械故障特征提取中的可解释性研究

王芳珍; 张小丽; 赵琦武; 王保建

西安交通大学学报 ›› 2025, Vol. 59 ›› Issue (7) : 24 -35.

王芳珍, 张小丽, 赵琦武, 王保建

作者信息 +

Author information +

文章历史 +

摘要

针对一维卷积神经网络在机械故障诊断中的内部决策和推断过程未知，导致结果可解释性与可信度不足的问题，从信号特征提取的视角建立信号分析与神经网络之间的相似性联系，通过提取神经网络卷积层权重，观察信号时域、频域特征随网络层的变化规律，从而揭示神经网络特征提取的本质，并采用实验测试数据和凯斯西储大学轴承公开数据进行验证。结果表明：卷积核可以等效为有限脉冲滤波器，最大池化层能够满足简单二分类任务中神经网络的非线性化要求，此时的卷积层无需添加激活函数；神经网络能够通过逐层提高频率分辨率，寻找到接近理论故障特征频率的频率成分，此行为与傅里叶变换存在相似性；当频谱范围最终分解到1～3倍故障特征频率时，能够更好地完成识别任务。该研究可为揭示卷积神经网络的“黑盒”机制与可解释性提供新的思路与方法。