本文提出了一种基于迁移学习和可解释时频分析的滚动轴承故障诊断方法。首先通过短时傅里叶变换将振动信号转换为时频图像，并采用动态阈值增强故障特征；然后利用预训练的VGG16网络进行迁移学习，在CWRU轴承数据集上实现10种健康状态的高精度识别。为增强模型可信度，引入Grad-CAM热力图可视化决策依据，并设计Faithfulness指标量化解释忠实性。结合故障机理知识和大语言模型自动生成诊断报告，在检

面向边缘计算的旋转机械故障诊断：大模型与小模型协同优化策略

基于优化Morlet小波的一维信号瞬态特征提取方法（MATLAB）

短时傅里叶变换STFT的同步压缩变换（一阶，二阶）与基于小波变换的同步压缩变换（一阶，二阶）时频谱对比（MATLAB）

该方案创新性地将支持向量机（SVM）与生成式AI（Gemini）相结合，在保持92%+分类准确率的同时，通过动态功能调用实现"故障分析-解释生成-决策推荐"的闭环

Python环境下基于VMD-Attention-LSTM模型收盘价预测深度学习模型

一个简单地将先验引入深度学习损失函数的例子（机械疲劳损伤预测）担任《Mechanical System and Signal Processing》《中国电机工程学报》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。

如何融合数值机理模型与基于数据驱动的深度学习模型

如何在卷积神经网络(CNN)中可视化滤波器和特征映射图？

基于深度学习故障诊断显著性分析案例担任《Mechanical System and Signal Processing》《中国电机工程学报》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。