可解释变分核CNN

面向滚动轴承故障诊断的可解释卷积神经网络，首层集成物理意义的近似滤波器，有效提取跨频带的调幅-调频分量，在噪声场景下表现优于其他模型。

Chen, Guangyi · 唐刚 · Zhixiao, Zhu

Advanced Engineering Informatics 2024

技术优势

物理可解释

首层近似滤波器具有明确物理意义，提取的AM-FM分量与故障信息直接相关。

噪声场景更优

在噪声场景下性能优于其他模型，更适合工业现场。

不易过拟合

即使训练数据有限，也能保持稳定性能。

应用场景

• 旋转机械故障诊断：对轴承振动信号进行可解释诊断，快速定位故障类型。
• 预测性维护：利用诊断结果预测剩余寿命，优化维护计划。
• 工业机器人关节轴承监测：在噪声和变工况下监测关节轴承，预防机器人停机。
• 无人机传动系统监测：对无人机传动系统进行实时诊断，提高飞行安全性。