基于多超小波核融合卷积神经网络的旋转机械故障可解释诊断方法

为解决传统小波变换在旋转机械故障诊断中时频分辨率不可兼得、特征提取能力不足的问题，研究人员提出了一种融合多超小波核（Superlet, SL）与通道注意力机制的可解释卷积神经网络（MSLCNN）。该研究通过构建超小波卷积层（SLConv）提升时频分辨率，结合多核协同卷积与自适应权重分配，在三个数据集上验证了模型在保持物理可解释性的同时显著提升诊断精度，为工业设备智能运维提供了新范式。

　　

旋转机械作为数控机床、工业机器人等高端装备的核心部件，其健康状态直接关系到生产线的稳定运行。传统故障诊断方法依赖人工特征提取和浅层机器学习模型，存在效率低、泛化性差的问题。尽管基于深度学习的智能诊断方法（如卷积神经网络CNN）在精度和效率上取得突破，但其"黑箱"特性导致工程师难以验证模型是否真正捕捉故障机理，还是仅学习数据偏差，这严重阻碍了工业实际应用。

针对这一挑战，吉林大学团队在《Expert Systems with Applications》发表研究，提出一种融合物理约束与数据驱动的可解释诊断框架——多超小波卷积神经网络（MSLCNN）。该研究创新性地将超小波变换（Superlet Transform, SLT）引入深度学习领域，通过构建可参数学习的超小波卷积层（SLConv），结合多核融合与通道注意力机制（ECA），实现了时频分辨率与模型可解释性的双重突破。

关键技术包括：1）基于东南大学齿轮箱轴承数据集（5120 Hz采样频率）和自建电机故障数据集；2）设计SLConv层，通过几何平均多周期小波系数提升时频分辨率；3）采用Morlet、Mexican hat等四种小波核构建多超小波（MSL）模块；4）引入ECA模块自适应加权多核特征；5）通过特征可视化实现模型可解释性验证。

研究结果

1. 超小波卷积层设计：通过模拟轴承故障信号对比STFT、CWT和SLT的时频分析效果，证明SLT能同时保持3000 Hz共振频率与100 Hz故障特征的高分辨率，克服传统方法时频分辨率此消彼长的缺陷。
2. 多核协同机制：MSL模块中四种小波核（Morlet、Mexican hat等）分别捕捉振动信号中不同脉冲激励，ECA模块使Morlet核在低频段权重达0.83，实现特征互补。
3. 性能验证：在齿轮箱轴承数据集上，MSLCNN准确率达99.2%，较传统WKN提升4.7%；实验室电机数据集上实现98.5%准确率，且特征热图清晰对应故障冲击能量分布。

结论与意义
该研究通过参数层面重定义小波频率参数、结构层面创新SLConv层与MSL模块，系统解决了旋转机械诊断中精度与可解释性的矛盾。实验证明MSLCNN能自动学习最优时频表征，无需人工调参，其故障特征可视化结果与物理机理高度吻合，为工业关键设备的状态评估提供了可信赖的智能决策依据。研究获得国家自然科学基金（U22B2087）等多项资助，相关技术已应用于高精密数控机床的健康监测系统。