目前智能故障诊断研究侧重于提高模型准确率。尽管准确率至关重要，但仅仅强调这一指标用户可能会忽视模型做出的潜在的错误决策。这就强调了可信度估计的必要性，并使模型校准问题成为一个亟待解决的难题，即本应表示预测标签正确的可能性的softmax输出却无法反映其真实概率。克服这一问题可使诊断模型具备诸多优势，首先，一个校准良好的模型可以为用户提供预测失败的风险评估，从而在置信度较低时暂缓决策，降低错误输出的风险。特别是在涉及分布外输入和分布偏移输入的情况下，模型失效的风险会增加，使得校准这一属性变得更为重要。其次，经过良好校准的可信度估计可以增强用户对黑盒模型的信任。然而，旨在探讨模型校准问题的故障诊断研究十分有限，现有校准方法在处理分布外和分布偏移输入时的有效性也不明确。因此，本文在多种诊断场景下全面评估了各类校准方法，讨论了它们的优势和局限性，为后续基于校准的可信故障诊断研究提供启示。
(1) 该研究关注机械故障诊断领域中的模型校准问题，突出了可信度在诊断决策中的重要性，为现有机械故障诊断研究增添了新的模型性能评价维度。
(2) 各校准方法的性能评估并不局限于以往研究中常用的分布内样本，而是侧重于机械故障诊断研究中常见的分布外样本和分布偏移样本。结果表明，深度集成方法有望成为最佳校准方法。
图1 模型校准前及校准后某样本的预测分布
图2 案例1中ID样本的置信度分布图
图3 案例1中方法的参数敏感性分析
图4 案例1中ID样本和OOD样本的预测分布熵分布图
图5 案例1中ID样本和OOD样本的ROC曲线
图6 案例2中偏移样本的校准性能评估
图7 案例2中偏移样本的置信度分布图
图8 案例3中偏移样本的校准性能评估
图9 案例3中偏移样本的置信度分布图
凯视迈（KathMatic）KV系列激光多普勒测振仪是公司自主研发的第二代多普勒测振仪，相较于第一代产品，该系列在多个方面进行了全面升级。
它配备了更高质量的激光模组、镀膜更加丰富的光学镜头、散热效率更高的结构、传输速度更快的信号端口以及通讯配置更为丰富的系统，这些改进使得仪器在极端环境下的稳定性和易用性得到了显著提升。
该仪器基于多普勒原理，采用红外激光作为测量媒介，能够非接触式、远距离地采集目标物体的振动信号。采用先进的光学技术和信号处理技术，能够在极短的时间内采集大量的振动数据。 在需要高速测量的场合，超高采样频率能够确保测量的准确性和实时性。
KV系列激光多普勒测振仪凭借其先进的技术、优异的参数、稳定的运行以及小巧便携的特点，成为了超声领域、模态试验、疲劳试验、在线质量检测以及机械结构健康监测等领域的理想辅助工具。欢迎私信或留言咨询~
