基于数据增强的可解释旋转机械故障诊断

来源：电子测量技术杂志2025年第8期北京时间：

作者：张昊，王海茹，马继东

单位：东北林业大学机电工程学院 哈尔滨 150036

摘要：为解决机械故障诊断中稀疏标签、数据不足等问题，同时提升诊断性能与模型可解释性，本文提出了一种嵌入时频分析的时频卷积神经网络（TF-CNN）模型。该模型结合多种高效数据增强方法与嵌入时频分析的卷积神经网络，从振动信号中提取多尺度关键时频特征。时频卷积层利用时频变换的物理可解释性与卷积神经网络的自主特征提取能力，精准捕捉信号关键信息，并通过分类器实现故障诊断。在CWRU数据集上的实验结果表明，TF-CNN模型的诊断准确率高达99.8%，显著优于基线方法。此外，频率响应分析验证了模型对信号关键频段的关注能力，进一步增强了诊断过程的物理可解释性。本文提出的TF-CNN模型充分结合时频分析与深度学习优势，提供了一种高效、精准且可解释的解决方案，为工业故障诊断领域带来了新思路与实践指导。

关键词：故障诊断;时频分析;数据增强;频率响应分析

基金资助：国家自然科学基金面上项目（31870537）资助