故障诊断模型的可解释性增强方法研究
赵施斌 （ 上海航天电子技术研究所 ）
李浩然 （ 上海航天电子技术研究所 ）
https://doi.org/10.37155/2811-0625-0502-35Abstract
本文针对深度学习模型在旋转机械故障诊断中的“黑箱”问题，提出融合注意力机制与Grad-CAM的解 释框架。通过注意力权重可视化关键故障特征，结合机械振动理论验证模型决策逻辑。研究构建多维度可解释性评估 指标体系，量化解释方法对诊断结果可信度的提升效果，为故障诊断模型在工业场景的应用提供可靠支撑。
Keywords
故障诊断模型；可解释性增强；注意力机制；Grad-CAM；机械振动理论Full Text
PDFReferences
[1]陈泽,刘文泽,王康德,等.光伏阵列故障诊断的可解
释性智能集成方法[J].电力自动化设备,2024,44(6):18-25.
[2]张昊,王海茹,马继东.基于数据增强的可解释旋转机
械故障诊断[J].电子测量技术,2025,48(8):105-115.
[3]韩谯,刘京,何国林,等.面向工业机器人关键部件的
多源融合感知智能故障诊断方法研究[J].振动工程学报,
2025,38(6):1252-1259.
释性智能集成方法[J].电力自动化设备,2024,44(6):18-25.
[2]张昊,王海茹,马继东.基于数据增强的可解释旋转机
械故障诊断[J].电子测量技术,2025,48(8):105-115.
[3]韩谯,刘京,何国林,等.面向工业机器人关键部件的
多源融合感知智能故障诊断方法研究[J].振动工程学报,
2025,38(6):1252-1259.
Copyright © 2026 赵施斌,李浩然
Publishing time:2026-01-31
This work is licensed under a Creative Commons Attribution 4.0 International License