一种面向机械设备故障诊断的可解释卷积神经网络

doi:10.3901/JME.2024.12.065

机械工程学报 ›› 2024, Vol. 60 ›› Issue (12): 65-76.doi: 10.3901/JME.2024.12.065

• 特邀专栏：可解释可信AI驱动的智能监测与诊断 • 上一篇下一篇

扫码分享

一种面向机械设备故障诊断的可解释卷积神经网络

陈钱^1,2, 陈康康^1,2, 董兴建^1,2, 皇甫一樊^1,2, 彭志科^1,2,3, 孟光^1,2

1. 上海交通大学机械系统与振动国家重点实验室上海 200240;
2. 上海交通大学振动、冲击、噪声研究所上海 200240;
3. 宁夏大学机械工程学院银川 750021

收稿日期:2023-07-01 修回日期:2024-01-29 出版日期:2024-06-20 发布日期:2024-08-23
作者简介:陈钱,男,1999年出生,博士研究生。主要研究方向为旋转机械智能诊断的可解释性。E-mail:chenqian2020@sjtu.edu.cn;董兴建(通信作者),男,1977年出生,博士,副教授,博士研究生导师。主要研究方向为振动分析与控制、振动超材料和结构疲劳分析。E-mail:donxij@sjtu.edu.cn
基金资助:
国家自然科学基金资助项目(12272219，12121002)。

Interpretable Convolutional Neural Network for Mechanical Equipment Fault Diagnosis

CHEN Qian^1,2, CHEN Kangkang^1,2, DONG Xingjian^1,2, HUANGFU Yifan^1,2, PENG Zhike^1,2,3, MENG Guang^1,2

1. State Key Laboratory of Mechanical System and Vibration, Shanghai Jiao Tong University, Shanghai 200240;
2. Institute of Vibration, Shock and Noise, Shanghai Jiao Tong University, Shanghai 200240;
3. School of Mechanical Engineering, Ningxia University, Yinchuan 750021

Received:2023-07-01 Revised:2024-01-29 Online:2024-06-20 Published:2024-08-23

摘要/Abstract

摘要： 卷积神经网络(Convolutional neural network, CNN)以其强大的特征提取和分类能力，被广泛应用于机械系统故障诊断任务中。但CNN是一个典型的“黑箱模型”，其决策机理和分类依据并不明确。这不仅降低了智能诊断结果的可信性，还限制了在高可靠性要求故障诊断中的应用。针对这一问题，具有物理意义的Chirplet变换被引入到传统卷积层中，形成具有优异可解释性的Chirplet卷积层和Chirplet-CNN，进而提出将Chirplet-CNN用于故障诊断的完整流程。一系列试验表明，Chirplet-CNN以其提取时频特征的特点，不仅拥有和当前先进方法相近的优异故障诊断能力，而且在可解释性方面具有突出表现，即能够通过频谱分析对CNN提取类别特征和做出判断的频带依据进行解释。此外，进一步的分析结果表明，所提出的Chirplet卷积层具有良好的通用性，与不同深度的CNN模型进行组合，均能有效提高其诊断精度并获得不错的解释结果。

关键词: 卷积神经网络, 可解释性, Chirplet变换, 时频变换, 深度学习, 故障诊断

Abstract: Convolutional neural network(CNN) has been widely used in mechanical system fault diagnosis because of its powerful feature extraction and classification capabilities. However, CNN is a typical“black box model”, and the mechanism of CNN’s decision-making is not clear, which not only reduces the credibility of intelligent diagnosis results but also limits the application in fault diagnosis with high-reliability requirements. Facing this problem, the physically meaningful chirplet transform (CT) is introduced into the traditional convolutional layer to formulate the chirplet convolutional layer and Chirplet-CNN with the complete process of using Chirplet-CNN for fault diagnosis. A series of experiments show that Chirplet-CNN has excellent fault diagnosis ability similar to the current state-of-the-art methods, and has outstanding performance in interpretability. It can interpret the frequency band basis for CNN to extract category features and make judgments through spectrum analysis. In addition, the proposed chirplet convolutional layer has good generality and when combined with CNN models of different depths, it can effectively improve the diagnostic accuracy and obtain good interpretation results.

Key words: CNN, interpretability, Chirplet transform, time-frequency transform, deep learning, fault diagnosis

中图分类号:

TH17

陈钱, 陈康康, 董兴建, 皇甫一樊, 彭志科, 孟光. 一种面向机械设备故障诊断的可解释卷积神经网络[J]. 机械工程学报, 2024, 60(12): 65-76.

CHEN Qian, CHEN Kangkang, DONG Xingjian, HUANGFU Yifan, PENG Zhike, MENG Guang. Interpretable Convolutional Neural Network for Mechanical Equipment Fault Diagnosis[J]. Journal of Mechanical Engineering, 2024, 60(12): 65-76.

参考文献

[1] 雷亚国，贾峰，孔德同，等. 大数据下机械智能故障诊断的机遇与挑战[J]. 机械工程学报，2018，54(5)： 94-104. LEI Yaguo，JIA Feng，KONG Detong，et al. Opportunities and challenges of machinery intelligent fault diagnosis in big data era[J]. Journal of Mechanical Engineering，2018，54(5)：94-104.
[2] 李彦夫，韩特. 基于深度学习的工业装备PHM研究综述[J]. 振动. 测试与诊断，2022，42(5)：835-847，1029. LI Yanfu，HAN Te. Deep learning based industrial equipment prognostics and health management：A review[J]. Journal of Vibration，Measurement & Diagnosis，2022，42(5)：835-847，1029.
[3] ZHAO Z，LI T，WU J，et al. Deep learning algorithms for rotating machinery intelligent diagnosis：An open source benchmark study[J]. ISA Transactions，2020，107：224-255.
[4] ZHANG Y，TINO P，LEONARDIS A，et al. A survey on neural network interpretability[J]. IEEE Transactions on Emerging Topics in Computational Intelligence，2021，5(5)：726-742.
[5] BRITO L C，SUSTO G A，BRITO J N，et al. An explainable artificial intelligence approach for unsupervised fault detection and diagnosis in rotating machinery[J]. Mechanical Systems and Signal Processing，2022，163：108105.
[6] 司念文. 面向图像识别的深度学习可视化解释技术研究[D]. 郑州：中国人民解放军战略支援部队信息工程大学，2021. SI Nianwen. Research on deep learning visualization interpretation techniques for image recognition[D]. Zhengzhou：Information Engineering University，2021.
[7] 全聪. 基于文本的可解释性推荐系统研究[D]. 武汉：武汉大学，2019. Quan Cong. Research on text-based interpretable recommender system[D]. Wuhan：Wuhan University，2019.
[8] WU X，ZHANG Y，CHENG C，et al. A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery[J]. Mechanical Systems and Signal Processing，2021，149：107327.
[9] GREZMAK J，ZHANG J，WANG P，et al. Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis[J]. IEEE Sensors Journal，2020，20(6)：3172-3181.
[10] TANG J，ZHENG G，WEI C，et al. Signal-transformer：A robust and interpretable method for rotating machinery intelligent fault diagnosis under variable operating conditions[J]. IEEE Transactions on Instrumentation and Measurement，2022，71：3511911.
[11] LI Y，ZHOU Z，SUN C，et al. Variational attention-based interpretable transformer network for rotary machine fault diagnosis[J]. IEEE Transactions on Neural Networks and Learning Systems，2024，35(5):6180-6193.
[12] WANG D，CHEN Y，SHEN C，et al. Fully interpretable neural network for locating resonance frequency bands for machine condition monitoring[J]. Mechanical Systems and Signal Processing，2022，168：108673.
[13] 陈是扦，彭志科，周鹏. 信号分解及其在机械故障诊断中的应用研究综述[J]. 机械工程学报，2020，56(17)：91-107. CHEN Shiqian，PENG Zhike，ZHOU Peng. Review of signal decomposition theory and its applications in machine fault diagnosis[J]. Journal of Mechanical Engineering，2020，56(17)：91-107.
[14] LI T，ZHAO Z，SUN C，et al. WaveletKernelNet：An interpretable deep neural network for industrial intelligent diagnosis[J]. IEEE Transactions on Systems，Man，and Cybernetics：Systems，2022，52(4)：2302-2312.
[15] SHANG Z，ZHAO Z，YAN R. Denoising fault-aware wavelet network：A signal processing informed neural network for fault diagnosis[J]. Chinese Journal of Mechanical Engineering，2023，36(1)：9.
[16] ZHAO B，CHENG C，TU G，et al. An interpretable denoising layer for neural networks based on reproducing kernel hilbert space and its application in machine fault diagnosis[J]. Chinese Journal of Mechanical Engineering，2021，34(1)：44.
[17] MICHAU G，FRUSQUE G，FINK O. Fully learnable deep wavelet transform for unsupervised monitoring of high-frequency time series[J]. Proceedings of the National Academy of Sciences，2022，119(8)：e2106598119.
[18] GANGULY B，CHAUDHURI S，BISWAS S，et al. Wavelet kernel-based convolutional neural network for localization of partial discharge sources within a power apparatus[J]. IEEE Transactions on Industrial Informatics，2021，17(3)：1831-1841.
[19] LIU C，QIN C，SHI X，et al. TScatNet：An interpretable cross-domain intelligent diagnosis model with antinoise and few-shot learning capability[J]. IEEE Transactions on Instrumentation and Measurement，2021，70：3506110.
[20] CHEN Q，DONG X，TU G，et al. TFN：An interpretable neural network with time-frequency transform embedded for intelligent fault diagnosis[J]. Mechanical Systems and Signal Processing，2024，207：110952.
[21] 褚福磊，彭志科，冯志鹏. 机械故障诊断中的现代信号处理方法[M]. 北京：科学出版社，2009. Chu Fulei，Peng Zhike，Feng Zhipeng. Modern signal processing methods in mechanical fault diagnosis[M]. Beijing：Science Press，2009.
[22] RAVANELLI M，BENGIO Y. Speaker recognition from raw waveform with SincNet[C]//2018 IEEE Spoken Language Technology Workshop (SLT). Athens，Greece：IEEE，2018：1021-1028.

一种面向机械设备故障诊断的可解释卷积神经网络

Interpretable Convolutional Neural Network for Mechanical Equipment Fault Diagnosis

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	狄子钧, 袁东风, 李东阳, 梁道君, 周晓天, 信苗苗, 曹凤, 雷腾飞. 基于多尺度-高效通道注意力网络的刀具故障诊断方法[J]. 机械工程学报, 2024, 60(6): 82-90.
[2]	李春凯, 王嘉昕, 石玗, 代悦. GTAW熔池激光条纹动态行为与熔透预测方法研究[J]. 机械工程学报, 2024, 60(6): 236-244.
[3]	严如强, 许文纲, 王志颖, 朱启翔, 周峥, 赵志斌, 孙闯, 王诗彬, 陈雪峰, 张军辉, 徐兵. 航空发动机燃油控制系统故障诊断技术研究进展与挑战[J]. 机械工程学报, 2024, 60(4): 3-31.
[4]	张军辉, 刘施镐, 徐兵, 黄伟迪, 吕飞, 黄晓琛. 轴向柱塞泵智能化关键技术研究进展及发展趋势[J]. 机械工程学报, 2024, 60(4): 32-49.
[5]	丁孺琦, 熊文杰, 程敏, 徐兵. 智能化阀口独立电液控制系统安全性能评估[J]. 机械工程学报, 2024, 60(4): 101-112.
[6]	王志颖, 李天福, 许文纲, 孙闯, 张军辉, 徐兵, 严如强. 降噪混合注意力变分自编码器及其在轴向柱塞泵故障诊断中的应用[J]. 机械工程学报, 2024, 60(4): 167-177.
[7]	邵海东, 林健, 闵志闪, 明宇航. 分布外样本干扰下基于改进半监督原型网络的齿轮箱跨域故障诊断[J]. 机械工程学报, 2024, 60(4): 212-221.
[8]	潘海洋, 徐海锋, 郑近德, 童靳于, 张飞斌. 基于双加权不平衡矩阵分类器的机械故障诊断方法[J]. 机械工程学报, 2024, 60(3): 170-180.
[9]	赵轲, 叶敏, 王瑞欣, 陆海, 刘孟孟, 邵海东. 基于模糊域自适应的源自由域旋转机械故障诊断方法[J]. 机械工程学报, 2024, 60(18): 43-52.
[10]	李志鹏, 马天雨, 刘金平, 向青松, 唐俊杰. 基于非对称性对抗训练的多源域自适应智能故障诊断方法[J]. 机械工程学报, 2024, 60(18): 76-88.
[11]	汪煜坤, 易彩, 汪浩, 周秋阳, 冉乐, 王靖元. PSD引导的自适应频带划分方法及其在轴承故障诊断中的应用[J]. 机械工程学报, 2024, 60(17): 179-193.
[12]	赵德望, 姜超, 赵延广, 杨文平, 樊俊铃. 铝锂合金疲劳性能及预测研究-基于试验和“浅层”+“深度”混合神经网络方法[J]. 机械工程学报, 2024, 60(16): 190-199.
[13]	刘一龙, 李心远, 陈银萍, 成玮, 陈雪峰. 基于峭度曲面极大值的电机轴承保持架故障诊断方法[J]. 机械工程学报, 2024, 60(15): 89-99.
[14]	于小洛, 杨阳, 杜明刚, 何清波, 彭志科. 机械传动系统含偏差频率分量协同检测与分解方法[J]. 机械工程学报, 2024, 60(15): 100-112.
[15]	黄包裕, 张永祥. 一种基于三步法的轴承故障诊断方法[J]. 机械工程学报, 2024, 60(14): 51-68.