问题背景

在旋转机械故障诊断中，不同的信号处理方法会从原始振动信号中提取不同的特征，会导致信号中某些信息的丢失，仅基于一种信号的单个分类器的实现已经不满足现状，不同分类模型与多种信号的融合很少见。为了解决该问题并提高故障诊断的性能，基于可解释的融合框架开发了一种具有四种不同信号的高精度智能故障诊断框架。

轴承故障图

解决方案

• 为充分利用现有数据，开发了一种新的智能故障诊断框架，以提高基于原始振动信号和原始振动信号转换后的其他信号四种信号的故障类型识别性能。

• 利用 Soft Pool 层和 Mish 激活函数开发了一种增强的 CNN 结构，可以利用来自信号的信息，克服传统 CNN 的训练问题。结果表明，这种增强的 CNN 结构比具有正常数据和噪声数据的传统 CNN 具有更好的特征提取能力。

• 采用模糊积分和 Shapley 分数进行分类器融合，分析每个分类器在决策层的重要性，解决传统融合策略的结果容易受到影响的问题。分类器性能较差，基于传统的融合策略难以分析分类器之间的交互。

设计融合方法的架构

总结说明

SoftPool 和 Mish 激活函数的计算复杂度高于 MaxPool 和 ReLU，即增强型 CNN 模型的训练时间比常规 CNN 模型较多，其训练过程也优于常规 CNN 模型，增强型 CNN 模型可以提取比常规 CNN 模型更重要的信息。对于增加噪声的 PU 轴承数据集，可以证明所提出的模型在现实环境中的能力。基于 Shapley 分数，可以很容易地描述每个分类器的重要性。每个分类器的重要性类似于每个分类器的模糊度量。基于频域信号的分类器是最重要的，其次是输入信号为原始振动信号或时频域信号的分类器（贡献率接近 30%）。基于四个分类器的所提出框架的性能提高了约 3%。所提出的融合方法可以有效地提高带有噪声数据集的修正 CNN 模型的性能，从而增加模型预测复杂信号的置信度。

PU 轴承数据集模糊融合可解释性