摘要详情

ID / 提交时间

209 / 2024-09-02 09:36:01

标题

An Interpretable Wavelet Packet Kernel-Constrained Convolutional Network for Noise-Robust Fault Diagnosis

关键字

Deep learning (DL), fault diagnosis, interpretability, noise robustness, wavelet packet.

主题及专题

lMeasurement Systems Design, Characterization, and Evaluation

状态

全文被拒

作者

CaiKun / AHJZU

摘要

摘要 — 深度学习（DL） 在故障诊断领域取得了很好的诊断成果。然而，基于 DL 的方法较差的可解释性和噪声鲁棒性仍然是限制其在工业中广泛应用的主要因素。针对这些问题，该文提出一种可解释的小波包核约束卷积网络（WPConvNet）用于噪声鲁棒故障诊断，该网络结合了 小波基和卷积核的学习能力一起。首先，提出了小波包卷积（WPConv）层，并对卷积核施加约束，使每个卷积层都是一个可学习的离散小波变换。其次，提出了一种软阈值激活来减少特征图中的噪声分量，其阈值是通过估计噪声的标准差来自适应学习的。 再次，我们将卷积中性网络（CNN）的级联卷积结构与 Mallat 算法的小波包分解和重建联系起来，这在模型架构中是可解释的。在两个轴承故障数据集上进行了广泛的实验，结果表明，所提出的架构在可解释性和噪声鲁棒性方面优于其他诊断模型。