本文提出了一种基于大语言模型(LLM)的机械故障诊断新方法。通过将传统振动信号特征(24维时频域特征)转换为自然语言描述，并微调ChatGLM2-6B模型进行故障分类，实现了诊断过程的可解释性。该方法采用LoRA技术高效微调，仅需训练约600万参数，在保持模型原有语言理解能力的同时，将数值分类问题转化为文本分类任务。实验结果表明，该方法既能利用大模型的语义推理能力，又解决了传统方法特征提取依赖人工

本文揭示了去噪网络设计中预测目标选择的关键规律：网络结构与目标特性必须匹配才能发挥最佳性能。研究发现，预测噪声或干净信号的效果取决于网络架构的压缩特性——低频偏向的JiT结构适合预测低频噪声，残差卷积网络DnCNN天然适配噪声预测，而U-Net对两种目标都稳定。扩散模型中，频谱平坦信号适合预测噪声，低频集中信号则应预测原始数据。通过压缩实验验证了"结构-容量匹配"原则：压缩程度

如何融合数值机理模型与基于数据驱动的深度学习模型

基于机器学习的Bitcoin价格预测（Python）

摘要：本文探讨深层全连接网络训练中梯度消失问题，提出通过可视化梯度分布诊断激活函数的影响。实验对比ReLU和Sigmoid网络，采用三维直方图实时监测各层梯度分布演变。结果显示，ReLU网络各层梯度保持良好分布，而Sigmoid网络浅层梯度快速衰减至零附近，导致参数更新停滞。该方法为诊断训练异常提供了直观工具，建议在模型表现不佳时优先检查梯度分布而非调整超参数。研究证实激活函数选择对深层网络训练效

摘要： 工业声学故障诊断中，深度卷积自编码器常因原始信号的高维噪声和非平稳性而失效，倾向于学习恒等映射，导致故障漏报率极高。实验对比了两种输入方式：原始音频波形与小波散射变换特征。结果显示，原始波形输入时模型完全失效（召回率0%），而改用小波散射特征后，同一模型准确率超95%。小波散射通过时频稀疏性、降维和平移不变性，有效滤除噪声并突出故障特征，证明物理先验驱动的特征预处理比复杂网络结构更关键。这

本文提出一种基于梯度反向传播的时序分类解释方法，通过生成与输入时间轴对应的重要性序列，可视化模型决策依据。实验采用模拟传感器故障数据验证，结果显示正确分类样本的重要性热图能准确聚焦异常脉冲段，而误分类样本则显示模型未能充分捕捉完整故障形态。该方法无需修改网络结构或重新训练，可直接应用于现有模型，为故障诊断提供直观可信的解释依据，有助于识别模型误判原因和改进方向。

本文提出一种基于物理特征和集成学习的电机故障诊断方法，解决了传统深度学习模型可解释性差的问题。通过提取电流和转速信号的时频域物理特征，采用Stacking集成策略融合随机森林、SVM和KNN等分类器，在保证诊断准确率的同时实现了决策过程的可视化。实验验证表明，该方法不仅能有效区分电气和机械故障，还能通过特征重要性分析、SHAP值等工具明确解释诊断依据，且具有采样率鲁棒性和时间稳定性。这种兼顾性能和

本文提出一种基于β-VAE和TCN的可解释刀具磨损检测方法，通过多传感器信号分析解决传统黑箱模型的解释性问题。模型利用TCN捕获切削过程的长期时序依赖，β-VAE将信号映射到可解释隐空间，从重构误差和KL散度两个维度评估异常。实验验证了该方法不仅能准确检测刀具状态，还能揭示故障演化过程：隐空间对早期磨损更敏感，不同传感器信号反映特定故障阶段，且模型在不同切削参数下表现稳健。这种双空间分析方法为工业

【摘要】本文针对深度学习在故障诊断中的两大隐患——数据泄露和物理可解释性不足展开研究。传统方法常因预处理阶段使用未来信息导致离线验证与在线部署性能差异，且黑箱模型缺乏可解释性。为此提出：1）零泄露协议，所有预处理仅基于前10%健康样本；2）物理锚定特征，引入哈密顿能量残差和希尔伯特相位流形曲率实现故障溯源。系统采用三层架构：物理特征工程提取能量耗散与相位畸变特征；零泄露隔离森林仅用健康样本训练；动