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
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。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取