仪器仪表学报

作者：米洁，马超，周海龙，甄真，张健

单位：米洁,北京信息科技大学机电工程学院北京102206,mijie@bistu.edu.cn,马超,北京信息科技大学机电工程学院北京102206,,周海龙,北京信息科技大学机电工程学院北京102206,,甄真,北京信息科技大学机电工程学院北京102206,,张健,北京龙科数智科技有限公司北京101304,

关键词：卷积网络;捷径学习;物理知识引导;故障诊断;故障特征频率

针对卷积神经网络预测滚动轴承故障中的捷径学习问题进行深入研究，并提出了一种基于物理知识引导的卷积神经网络故障诊断预测模型。采用滚动轴承数据集，对卷积神经网络在滚动轴承故障诊断模型的训练过程中出现的捷径学习问题进行了分析，揭示了捷径学习现象的存在：即使卷积网络在特定的故障数据集上达到了90%以上的精度，由于捷径学习的存在，卷积网络模型并没有学习到正确的与故障理论匹配的故障特征，而是学习到了错误的特征频率或频谱图中的波形形态。对故障诊断中捷径学习现象的产生机制进行了分析，揭示捷径学习的产生机制和决策规则：卷积神经网络的捷径学习行为主要源于数据集中由背景噪声、装配等因素导致的捷径机会，模型倾向学习简单特征组合，以及综合误差导致的数据统计偏差。由于故障数据集本身无法对深度神经网络模型的学习产生足够的约束，基于滚动轴承特征频率，设计了基于轴承故障特征的敏感频带，通过带通滤波器生成物理知识数据，构建物理引导信息，输入卷积神经网络模型，引导模型学习正确的故障特征。经实验验证，基于物理知识引导的卷积神经网络能够有效避免捷径学习问题，准确提取故障核心特征，提高故障诊断和预测准确度，提升了卷积网络故障诊断模型的可信度，在航空航天等领域高端装备故障诊断中具有应用前景。

来源：2025年第8期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第8期