TFN：嵌入时频变换的可解释神经网络用于智能故障诊断
人工智能
2024-03-12 v2 机器学习
信号处理
摘要
卷积神经网络（CNNs）因其强大的特征提取与分类能力，被广泛用于机械系统故障诊断。然而，CNN是典型的黑盒模型，其决策机制不明，这限制了其在高可靠性要求故障诊断场景中的应用。为解决此问题，我们提出一种称为时频网络（TFN）的新型可解释神经网络，其中将具有物理意义的时频变换（TFT）方法嵌入传统卷积层作为自适应预处理层。该称为时频卷积（TFconv）层的预处理层由精心设计的核函数约束，以提取故障相关时频信息。它不仅提升诊断性能，还揭示了CNN预测在频域中的逻辑基础。不同TFT方法对应TFconv层的不同核函数。本研究中，考虑四种典型TFT方法构建TFN，并通过三个机械故障诊断实验证明其有效性与可解释性。实验结果还表明，所提TFconv层可轻松推广至其他不同深度的CNN。TFN代码见 https://github.com/ChenQian0618/TFN。
引用
@article{arxiv.2209.01992,
title = {TFN: An Interpretable Neural Network with Time-Frequency Transform Embedded for Intelligent Fault Diagnosis},
author = {Qian Chen and Xingjian Dong and Guowei Tu and Dong Wang and Baoxuan Zhao and Zhike Peng},
journal= {arXiv preprint arXiv:2209.01992},
year = {2024}
}
备注
20 pages, 15 figures, 5 tables