IADC-Net如何实现可解释故障诊断？融合小波、自适应去噪与稀疏表示的创新路径

在工业智能化浪潮中，旋转机械的故障诊断正经历从传统信号处理向深度学习驱动的范式转移。尽管卷积神经网络（CNN）、Transformer等模型在多个公开数据集上实现了接近完美的分类准确率，但其“黑箱”特性始终是阻碍其在高可靠性要求场景（如航空航天、核电、重型制造）落地的核心瓶颈。工程师不仅需要知道“是否故障”，更迫切需要理解“为何判断为该故障”——这直接关系到维修决策的合理性与系统安全的信任基础。正是在此背景下，2026年发表于《Mechanical Systems and Signal Processing》的IADC-Net（Interpretable Adaptive Denoising Convolutional Network）提出了一种将可解释性内生于网络架构的设计哲学，而非依赖训练后的后验解释工具。

IADC-Net的核心创新在于构建了一个三层可解释框架，分别对应信号输入、特征提取与决策输出三个阶段。这种设计跳出了传统“先建模再解释”的局限，转而追求“每一步操作皆有物理或数学依据”的透明化建模范式。其整体流程始于原始振动信号，依次经过可解释信号处理层、可解释特征提取层，最终到达状态分类层。值得注意的是，该网络并未完全摒弃经典CNN结构，而是通过巧妙嵌入信号处理先验知识，赋予每一层明确的语义含义。

在信号处理层，IADC-Net引入了自适应融合去噪小波卷积（Adaptive Fusion Denoising Wavelet Convolution, AFDWC）模块，这是整个可解释链条的起点。传统小波卷积虽具物理意义，但单一小波基难以普适于多样化的故障形态。例如，轴承内圈故障常表现为周期性冲击，外圈故障则呈现调幅特征，而齿轮磨损可能伴随宽频能量扩散。针对此，AFDWC并行采用Laplace、Mexhat和Morlet三种小波核进行卷积。Laplace小波对衰减振荡敏感，Mexhat擅长捕捉瞬态冲击，Morlet则对周期性成分响应强烈。三者融合确保了多尺度故障特征的全面捕获，避免了因小波选择偏差导致的信息遗漏。更重要的是，这些小波核在训练过程中虽经微调，但其基本波形结构得以保留（如论文Figure 17所示），保证了操作的可追溯性。

然而，工业现场的振动信号往往淹没于复杂噪声之中，固定阈值去噪策略难以适应不同工况下的信噪比变化。为此，AFDWC集成了自适应软阈值去噪（Adaptive Soft Threshold Denoising, ASTD）机制。与传统方法预设全局阈值不同，ASTD为每个小波通道独立生成动态阈值。具体而言，网络通过一个小型全连接子网络（FC-ReLU-BN-FC-Sigmoid）学习各通道的噪声强度，并输出归一化阈值系数。同时，引入可学习偏置项，将传统的对称去噪区间[-τ, τ]扩展为非对称区间[B_c - τ_c, B_c + τ_c]，以应对传感器安装方向或机械退化导致的信号不对称性。实验表明（Table 8），在-4dB强噪声环境下，ASTD仍能使模型在CWRU数据集上保持79%的准确率，显著优于固定阈值方法，验证了其噪声鲁棒性。

多小波融合虽丰富了特征表达，但也引入了冗余信息。并非所有频带都同等重要，故障敏感通道需被突出。IADC-Net采用能量-熵比（Energy-Entropy Ratio）作为通道重要性度量。理论上，故障发生时，特定频带的能量会因冲击或共振而增强，同时信号的随机性降低（熵减小），导致能量-熵比升高。该指标经Sigmoid函数映射后用于通道加权，并以残差形式融合回原特征。模拟实验（Figure 6-7）证实，人为注入故障冲击的通道确实获得了接近1.0的高权重，证明该机制能有效识别关键频带。这种基于信号统计特性的注意力机制，远比黑箱式的SE Block或CBAM更具物理解释力。

进入特征提取阶段，IADC-Net并未使用特殊模块，而是沿用标准卷积层。但其独特之处在于从稀疏表示（Sparse Representation）理论重新诠释卷积运算的本质。传统观点认为卷积核是随机初始化的学习参数，而作者指出：单层卷积过程x * k ≈ y 可等价于稀疏编码问题 y = Dα，其中字典D由卷积核构成，系数α即为特征图。这意味着，卷积核实质上是在学习一个能高效表征局部故障模式的过完备字典，而特征图则是对应的稀疏激活。多层CNN则对应层级稀疏编码，逐层提取更高阶的抽象特征。论文通过实例验证（Figure 21）：利用真实网络中的卷积核构造字典，成功重构了原始输入信号，强有力地支持了这一数学解释。此举将“不可知”的卷积操作转化为“可理解”的稀疏分解过程，极大增强了中间层的透明度。

在决策层面，IADC-Net结合Grad-CAM与特征图可视化进行结果分析。Grad-CAM通过梯度反传生成类激活热力图，显示模型关注的时域区域。实验发现（Figure 22），对于轴承内圈故障，高注意力区域精确对应理论故障周期（约0.0334秒）；外圈故障则聚焦于大幅值脉冲；齿轮磨损呈现稳定周期性激活。这些模式与机械故障机理高度一致，增强了诊断结论的可信度。同时，深层特征图（Figure 23）显示，背景噪声被有效抑制，而冲击特征能量更加集中，直观反映了网络的特征提纯能力。

为全面评估性能，研究团队在四个异构数据集上进行了验证：CWRU轴承（10类）、江南大学轴承（4类）、风电行星齿轮箱（5类）及自建工业机器人谐波减速器平台（4类，含复合故障）。前三者因数据纯净，IADC-Net均达到100%准确率；更具挑战性的工业数据集（D4）也取得了90%的准确率，显著优于传统CNN（61.17%）及多种先进模型（LeNet 84.5%, ResNet18 85.25%）。消融实验（Table 7）进一步揭示各模块贡献：三小波融合解决泛化性问题，ASTD提升抗噪能力，能量-熵加权强化判别性特征。三者协同，缺一不可。

值得注意的是，IADC-Net在保持高性能的同时兼顾了轻量化。其参数量仅0.17M，FLOPs为1.24B，远低于AlexNet（3.41M）和ResNet18（3.85M）。这使其具备部署于边缘设备的潜力，契合工业现场对低延迟、低功耗的需求。然而，作者亦坦承当前局限：最终分类层的决策逻辑仍未完全透明，仍需依赖Grad-CAM等外部工具；且可解释性缺乏统一量化标准，多依赖定性分析。未来工作或将探索可微分决策树或符号回归等技术，实现端到端的逻辑可追溯。

综上所述，IADC-Net的价值不仅在于其卓越的诊断精度，更在于它提供了一种“可解释优先”的网络设计范式。通过将小波分析、自适应滤波、信息论度量与稀疏理论有机嵌入深度架构，它构建了一条从原始信号到最终决策的完整解释链。这种思路启示我们：在追求模型性能的同时，应更注重其与领域知识的融合，让AI不仅是预测工具，更是可信赖的诊断伙伴。对于故障诊断乃至更广泛的工业AI应用，IADC-Net无疑树立了一个兼顾准确性、效率与透明度的新标杆。