近日，我校计算机与软件学院胡鹤轩教授团队完成的最新研究成果《MFVAE: A Multiscale Fuzzy Variational Autoencoder for Big Data-Based Fault Diagnosis in Gearbox》在学术期刊 IEEE Transactions on Fuzzy Systems 正式发表，该成果提出了一种新型多尺度模糊变分自编码器（MFVAE）模型，实现了具有可解释性和高鲁棒性的齿轮箱故障诊断。齿轮箱作为工业设备中的核心部件，一旦出现齿面磨损、断齿或点蚀等故障，往往会导致设备停机。现有基于深度学习的诊断方法虽然能自动提取振动信号特征，但存在两个主要问题：一是单尺度模型难以同时捕捉局部细节和全局信息，导致特征鲁棒性不足；二是黑箱式预测缺乏解释性，难以有效处理信号中的不确定性。针对这些不足，团队提出了多尺度模糊变分自编码器（MFVAE）模型（图1）。该方法结合了两类不同规模的变分自编码器，分别提取低层次和高层次特征，再通过比例融合形成综合表征，并在预测阶段引入模糊神经网络，使模型能够更好地应对含噪信号和不确定数据。图1 MFVAE模型框