用于有效且可解释轴承故障诊断的注意力嵌入二次网络（Qttention）
机器学习
2023-04-05 v2 信号处理
摘要
轴承故障诊断对降低旋转机械损伤风险并进一步提升经济效益具有重要意义。近来，以深度学习为代表的机器学习在轴承故障诊断中取得重大进展。然而，将深度学习应用于此类任务仍面临一大问题：深度网络素称黑箱，难以获知模型如何从正常信号中分类故障信号以及分类背后的物理原理。为解决可解释性问题，首先，我们基于近期提出的二次神经元原型化了一个卷积网络。该二次神经元赋能的网络凭借二次神经元强大的特征表示能力可胜任含噪轴承数据。此外，我们通过将学到的二次函数类比注意力进行分解，从二次神经元独立推导出注意力机制，称为 qttention，使带二次神经元的模型具有内在可解释性。在公开及自有数据集上的实验表明，所提网络可促进有效且可解释的轴承故障诊断。
引用
@article{arxiv.2206.00390,
title = {Attention-embedded Quadratic Network (Qttention) for Effective and Interpretable Bearing Fault Diagnosis},
author = {Jing-Xiao Liao and Hang-Cheng Dong and Zhi-Qi Sun and Jinwei Sun and Shiping Zhang and Feng-Lei Fan},
journal= {arXiv preprint arXiv:2206.00390},
year = {2023}
}
备注
update abstract add experiments in classification results delete small data experiment add comparison experiments of qttention and convolution