关键词：故障诊断;神经常微分方程;动力学系统;残差网络
摘 要：针对传统的深度学习故障诊断方法中存在架构可解释性差以及盲目堆叠层数导致的参数增加和内存消耗等问题，将神经常微分方程（Neural Ordinary Differential Equations）引入到机械故障诊断中。搭建面向机械故障诊断的神经常微分方程网络架构，利用神经网络参数化隐藏状态的导数代替指定隐藏层的离散序列。通过构建故障数据与故障类型的非线性关系，使用常微分方程求解器（ODE solver）完成对不同故障类别的分类任务，形成一种端对端的故障诊断模式。将该方法应用到机械故障诊断领域，搭建特定的神经常微分方程网络模型，通过故障数据的输入完成对不同故障类别的分类任务。将该模型应用到航空发动机主轴轴承故障诊断中，并与残差网络模型的故障诊断方法进行对比。实验结果表明，在确保准确率不降低的情况下，该方法不仅减少了内存消耗，而且更将模型参数数量减少了将近五倍。
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