首页期刊导航|机械工程学报
期刊信息/Journal information
机械工程学报
机械工程学报

宋天虎

半月刊

0577-6686

jme@cmes.org cjme@263.net

010-88379907

100037

北京百万庄大街22号

机械工程学报/Journal JOURNAL OF MECHANICAL ENGINEERINGCSCD北大核心CSTPCDEI
查看更多>>本刊进登机械工程方面的基础理论、科研设计和制造工艺等方面的学术论文，报道自然科学基金项目论文和国外学者的论文反映本学科的最新发展和最新科研成果。在国内外机械科技领域享有很高声誉，并有较大影响。曾荣获“中国期刊奖”，在中国科协、北京市和全国科技期刊评比中均获得奖励。在国内已成为机械类和力学类核心期刊。已被美国工程索引（EI）等国内外20余种文摘刊物和数据库收录。
正式出版
收录年代

    可解释人工智能在工业智能诊断中的挑战和机遇:先验赋能

    严如强商佐港王志颖许文纲...
    1-20页
    查看更多>>摘要：进入"大数据"时代,人工智能技术因其强大的数据挖掘与学习能力,成为工业智能诊断领域的重要方法,在机械装备的异常检测、故障诊断和寿命预测等方面发挥重要作用.随着机械装备日益向大型化、高速化、集成化和自动化发展,诊断方法的可信度变得至关重要.因此弱可解释性正成为人工智能技术在诊断领域实际应用的巨大障碍.为了推动人工智能技术在工业智能诊断领域的发展,对可解释人工智能方法进行综述.首先介绍可解释性技术的概念与作用原理,并对目前可解释性技术的主要观点与分类进行总结.接着,从工业诊断中常用的信号处理先验和物理知识先验角度,概述内在可解释的先验赋能可解释技术的研究现状.最后指出先验赋能可解释技术存在的挑战与机遇.

    智能诊断可解释性先验赋能信号处理物理知识

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    可解释人工智能在工业智能诊断中的挑战和机遇:归因解释

    严如强周峥杨远贵李亚松...
    21-40页
    查看更多>>摘要：针对目前迅猛发展的工业智能诊断方法缺乏可解释性开展综述,指出模型无关的归因解释技术在工业智能诊断中的研究现状和潜在研究方向.分析可解释性技术的主要观点和作用,针对工业智能诊断的两个特性问题—非线性高维观测、知识表征精度低,归因解释技术可以提供有效的前向理解智能模型逻辑结构、反向优化模型设计的工具.从注意力机制、显著性分析、规则提取、代理模型四个方面,概述其主要观点与作用,介绍现有方法的研究现状,并总结分析不同归因解释技术的优势与不足.通过四个案例分析,阐述不同归因解释技术在智能诊断中的效果.最后展望归因解释技术在工业智能诊断中的研究方向,包括可解释性量化、反馈模型设计、模型复杂性与可解释性平衡、高维特征的归因解释,期望为可解释人工智能技术在工业智能诊断中的发展提供方向建议.

    工业智能诊断可解释性模型无关归因分析

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    小波核编码的脉冲卷积神经网络在可解释性智能诊断中的应用研究

    王俊杨轶青刘金朝沈长青...
    41-50页
    查看更多>>摘要：近年来,人工神经网络在可解释性机械故障智能诊断研究中已经取得一些成果.然而人工神经网络本身不是模拟生物神经网络的学习机制,缺乏生物可解释性.脉冲神经网络能够很好地模拟生物信号在神经网络中的传播,具有较强的生物可解释性,但当前的脉冲编码方式缺乏物理可解释性.提出一种兼具物理可解释性和生物可解释性的小波核编码的脉冲卷积神经网络,用于轴承端到端的可解释性智能诊断.首先,设计一种小波核编码器,利用小波核卷积从轴承振动信号中提取多尺度物理特征,进而采用脉冲神经元将其编码为脉冲编码信息;其次,构建多层脉冲卷积特征提取器,从脉冲编码信息中提取深层状态特征;最后,建立脉冲分类器,通过输出层脉冲神经元的放电概率预测轴承的健康状态.采用两组轴承健康状态数据集验证所提模型的可解释性和有效性.试验结果表明:脉冲编码信息能够清晰反映轴承不同健康状态,具有物理可解释性;所提方法能够实现端到端的模型训练,故障诊断准确率与传统卷积神经网络相当,而模型收敛的稳定性更优.

    智能诊断脉冲神经网络生物可解释性物理可解释性小波变换

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于多元提升核神经网络的机械故障诊断方法及其特征提取可解释性研究

    袁静任港星蒋会明赵倩...
    51-64页
    查看更多>>摘要：以卷积神经网络为代表的深度学习方法为机械故障诊断大数据分析与处理提供有效工具,但其底层逻辑和物理内涵等"黑盒"问题破解是发展可信、安全、可靠人工智能及机械故障智能诊断方法的一个重要研究方向.提升多小波框架是一个天然多通道卷积过程,基于多小波基函数内积匹配思想可有效提取隐藏于背景噪声下多种故障特征.因此,将提升多小波理论引入卷积神经网络,提出基于多元提升核神经网络的机械故障诊断方法并探讨其底层多通道卷积下故障特征提取机理.首先,该网络以提升多小波框架为底层构架设计自适应提升多小波层,并在提升多小波理论数学约束下构造兼备重要信号处理特性的多元提升核,通过单参数训练高效精准完成多故障特征匹配提取.其次,通过仿真试验研究该网络基于内积匹配原理的物理内涵,探讨训练过程中多元提升核波形演化规律并研究其多通道卷积运行机理、网络映射关联含义等特征提取可解释性问题.最后,试验验证表明该方法对同工况类间差异小、多工况类内差异大特性下行星齿轮箱故障识别表现出优异诊断准确性、稳定性和抗噪性,工程应用表明该方法对高精密天线指向机构微弱和复合故障识别也具备精确诊断能力.

    卷积神经网络提升多小波可解释性特征提取

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    一种面向机械设备故障诊断的可解释卷积神经网络

    陈钱陈康康董兴建皇甫一樊...
    65-76页
    查看更多>>摘要：卷积神经网络(Convolutional neural network,CNN)以其强大的特征提取和分类能力,被广泛应用于机械系统故障诊断任务中.但CNN是一个典型的"黑箱模型",其决策机理和分类依据并不明确.这不仅降低了智能诊断结果的可信性,还限制了在高可靠性要求故障诊断中的应用.针对这一问题,具有物理意义的Chirplet变换被引入到传统卷积层中,形成具有优异可解释性的Chirplet卷积层和Chirplet-CNN,进而提出将Chirplet-CNN用于故障诊断的完整流程.一系列试验表明,Chirplet-CNN以其提取时频特征的特点,不仅拥有和当前先进方法相近的优异故障诊断能力,而且在可解释性方面具有突出表现,即能够通过频谱分析对CNN提取类别特征和做出判断的频带依据进行解释.此外,进一步的分析结果表明,所提出的Chirplet卷积层具有良好的通用性,与不同深度的CNN模型进行组合,均能有效提高其诊断精度并获得不错的解释结果.

    卷积神经网络可解释性Chirplet变换时频变换深度学习故障诊断

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于深度信号分离的航空发动机可解释智能诊断方法

    王义丁嘉凯孙浩然秦毅...
    77-89页
    查看更多>>摘要：针对现有时频分析和信号分解等谐波提取方法在进行旋转机械无键相阶次跟踪应用时,存在无法自适应提取具有明确物理意义的转速谐波分量的问题,提出一种基于时频空间深度二值掩蔽模型的可解释性转速谐波信号自适应分离方法.首先构造一系列具有明确物理意义的转速谐波瞬时频率变化的仿真模板信号作为深度二值掩蔽模型的训练样本,然后利用构建的仿真模板信号转速基础谐波和高阶谐波的时频表征生成基础谐波时频空间二值掩蔽模型训练目标,建立起仿真模板信号时频空间和转速基础谐波时频图像之间的深度非线性映射关系,以实现转速基础谐波分量的准确分离提取和高阶谐波分量的可信掩蔽抑制,确保经深度二值掩蔽模型所得到的谐波分量具备明确的物理意义.再将深度分离所得的基础谐波分量经希尔伯特变换得到与转速信号深度非线性映射相关的瞬时相位信息,并将其应用于原始信号等角度重采样中以完成精确的阶次跟踪.综上所述,所提方法克服了传统无键相阶次跟踪方法严重依赖专家经验的问题,可为传动系统的无键相阶次跟踪提供具有明确物理意义的瞬时相位支撑.

    深度信号分离模型时频空间二值掩蔽瞬时相位信息变转速工况无键相阶次跟踪可解释深度模型

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    可解释性智能监测诊断网络构造及航空发动机整机试车与中介轴承诊断应用

    王诗彬王世傲陈雪峰黄海...
    90-106页
    查看更多>>摘要：航空发动机故障预测与健康管理是提高航空发动机安全性、可靠性以及经济可承受性的关键技术.基于深度学习的人工智能方法在机械故障诊断领域受到广泛关注并开展了深入研究,但现有深度学习"黑箱算法"的现状仍然存在模型可解释性差、理论基础薄弱等问题.针对航空发动机健康管理与智能运维的迫切需求,提出航空发动机可解释性智能监测诊断网络,并在某型涡扇发动机整机长试试验中验证了异常检测与中介轴承故障诊断的有效性.将发动机振动信号先验信息融入稀疏表示模型,对模型的迭代求解算法进行展开得到结构具有可解释性的核心网络;针对航空发动机异常检测与智能诊断任务构造了基于对抗训练框架的可解释性异常检测子网络和基于特征提取框架的可解释性故障诊断子网络.本文提出的基于迭代算法展开的网络构造框架具备明确的理论基础,即网络设计有依据;稀疏表示模型驱动的可视化方法能够检验网络是否学到了与发动机故障相符的有意义的特征,即学习结果可信任.最后,通过某型涡扇发动机整机长试试验积累的超过500小时的试车数据,验证了本文提出的模型驱动的可解释性智能监测诊断网络在航空发动机异常检测与中介轴承故障诊断方面的有效性与可靠性.

    航空发动机健康管理可解释性人工智能算法展开异常检测故障诊断

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于低延迟可解释性深度学习的复杂旋转机械关键部件知识嵌入与诊断方法研究

    刘岳开王天杨褚福磊
    107-115页
    查看更多>>摘要：对于复杂旋转机械关键部件的诊断任务,模型设计容易受限于以下两个特点:①机理驱动的方法往往难以实现复杂系统的完备、精准建模;②数据驱动方法多数需要规模化的高质量训练数据集用于训练.针对上述问题,提出一种先验知识嵌入的深度学习模型,融合机理知识与传感器信号特征.并通过引入轻量化模型结构,在保证模型精准性的前提下降低推理延迟.首先,通过融合先验机理知识与传感器信号特征,构建关键部件数字孪生体.然后,设计先验知识嵌入模块来提升深度学习模型对融合特征的表征能力.最后,基于帕累托最优化理论,设计考虑准确性指标和计算效率指标的多目标优化方法,对基于深度学习的诊断模型进行结构优化设计,并引入可解释性框架对深度学习模型决策过程进行分析.结果表明,所设计的关键部件数字孪生体能够提供丰富的先验信息从而加速模型收敛.基于帕累托最优化理论的训练策略,能够搜索到设定指标的相对最优解,从而在保证模型精准性的前提下有效降低模型推理延迟.

    可解释深度学习先验知识嵌入数字孪生帕累托最优化低延迟推理

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    联合故障机理和卷积神经网络的齿轮剩余使用寿命预测方法研究

    刘华开丁康何国林李巍华...
    116-125页
    查看更多>>摘要：齿轮在疲劳退化过程中通常伴有平稳型故障和冲击型故障,这两类故障特征包含了丰富的齿轮退化信息.目前端到端的剩余使用寿命预测方法大多以神经网络提取的语义特征为基础,预测模型的建立与齿轮关联程度较低,物理解释性较差.为此,结合平稳型、冲击型故障振动响应信号模型和卷积神经网络,依据故障信号特征参数生成融合故障先验的时域、角域卷积核,利用神经网络的特征提取能力挖掘振动信号中的平稳型、冲击型故障成分;同时引入注意力机制,抑制噪声、动态捕捉不同故障成分以及不同时刻信号中的退化信息,最后利用模型噪声协方差矩阵实现预测误差的加权优化.仿真和试验结果表明,该方法能有效挖掘原始信号的故障信息,具备较好的物理解释性,且对比传统智能预测方法具有更高的剩余使用寿命预测精度和更好的鲁棒性,验证了所提方法的有效性.

    齿轮平稳型故障冲击型故障神经网络剩余使用寿命

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    大转数波动条件下机理约束图权重增强网络的航空发动机附件机匣故障诊断方法

    余晓霞汤宝平魏静张志刚...
    126-136页
    查看更多>>摘要：针对现有深度学习模型在故障特征提取过程中容易受到大转数波动工况影响,导致航空发动机附件机匣故障诊断精度较低的问题,提出了一种机理约束图权重增强网络(Mechanism constraint graph weight enhancement networks,MCGWENet)的航空发动机附件机匣故障诊断方法.首先通过度量振动信号时域和频域特征的欧式距离约束图的邻接矩阵,将物理机理嵌入到所构建的图结构中;然后将振动信号的小波包分解结果作为节点特征;并结合所设计的邻接矩阵构造出可用于航空发动机附件机匣故障诊断的图;最后,通过所设计的图权重增强层抑制大转数波动对故障特征提取的影响,提升所提模型的故障诊断精度.试验结果表明,所提模型能够有效识别机匣故障,可用于航空发动机附件机匣健康管理.

    航空发动机附件机匣机理约束图权重增强网络大转数波动故障诊断

      原文链接:
    • NETL
    • NSTL
    • 万方数据