计算机科学>人工智能
标题: TFN:一种嵌入时频变换的可解释神经网络,用于智能故障诊断
摘要: 卷积神经网络由于其强大的特征提取和分类能力,在机械系统故障诊断中得到了广泛的应用。 然而,CNN是一个典型的黑盒模型,CNN的决策机制尚不明确,这限制了其在高可靠性要求的故障诊断场景中的应用。 为了解决这个问题,我们提出了一种新的可解释神经网络,称为时频网络(TFN),其中物理意义上的时频变换(TFT)方法嵌入到传统卷积层中作为自适应预处理层。 该预处理层称为时频卷积(TFconv)层,由设计良好的核函数约束,以提取与故障相关的时频信息。 它不仅提高了诊断性能,而且揭示了CNN频域预测的逻辑基础。 不同的TFT方法对应于TFconv层的不同内核函数。 在本研究中,考虑了四种典型的TFT方法来构建TFN,并通过三个机械故障诊断实验验证了它们的有效性和可解释性。 实验结果还表明,该TFconv层可以很容易地推广到其他不同深度的CNN。 TFN代码位于 此https URL .