一种双阻尼小波赋能的可解释卷积神经网络在轴承故障诊断中的应用

摘要

针对深度学习模型决策机理和分类依据无法得知以及Morlet、Laplace等小波不能很好地匹配轴承真实故障脉冲响应的问题，提出一种可解释卷积神经网络模型——Bdw-ResNet。首先，设计了一种sigmoid激活函数加权的双阻尼小波，并构建小波卷积层，同时嵌入即插即用的轻量级的局部注意力机制。然后，结合现有的残差神经网络，建立了既可物理解释又与神经网络兼容的Bdw-ResNet模型以及故障诊断的完整流程，并在南昌铁路局机车轴承数据集和青岛四方轮对轴承两个数据集上进行验证。最后，从先验赋能和归因解释两个方面阐述了Bdw-ResNet模型及其组件的映射关系，并进行了可解释性分析。结果表明：所提方法在两个数据集上分别取得了98.73%、99.46%的识别准确率，与基准模型和其他的组合相比性能提升明显，为可解释性深度学习的故障诊断提供了一种解决思路。

关键词

深度学习 / 双阻尼小波 / 注意力机制 / 故障诊断 / 可解释性

基金资助

江西省自然科学基金重点资助项目(20224ACB204017); 国铁集团科技研究开发计划重点课题(N2023J042)