分类器引导的神经盲反卷积：一种用于强噪声下轴承故障诊断的物理信息去噪模块
信号处理
2024-04-25 v1 机器学习
摘要
盲反卷积（BD）已被证明是从强背景噪声下的振动信号中提取轴承故障特定特征的有效方法。尽管 BD 在自适应性和数学可解释性方面具有理想特性，但一个重大挑战依然存在：如何将 BD 与故障诊断分类器有效结合？这一问题之所以出现，是因为传统 BD 方法仅用于特征提取，具有其自身的优化器和目标函数。当 BD 与下游深度学习分类器结合时，不同的学习目标将产生冲突。为了解决这个问题，本文引入了分类器引导的 BD（ClassBD），用于联合学习基于 BD 的特征提取和基于深度学习的故障分类。首先，我们提出了一种时域和频域神经 BD，利用神经网络来实现传统 BD，从而促进 BD 与深度学习分类器的无缝集成，以共同优化模型参数。随后，我们开发了一个统一框架，利用深度学习分类器来指导 BD 滤波器的学习。此外，我们设计了一个由峭度、 范数和交叉熵损失组成的物理信息损失函数，以联合优化 BD 滤波器和深度学习分类器。因此，故障标签提供了有用的信息，引导 BD 提取在强噪声中区分类别的特征。据我们所知，这是 BD 成功应用于轴承故障诊断的首例。来自三个数据集的实验结果表明，ClassBD 在噪声条件下的性能优于其他 SOTA 方法。
引用
@article{arxiv.2404.15341,
title = {Classifier-guided neural blind deconvolution: a physics-informed denoising module for bearing fault diagnosis under heavy noise},
author = {Jing-Xiao Liao and Chao He and Jipu Li and Jinwei Sun and Shiping Zhang and Xiaoge Zhang},
journal= {arXiv preprint arXiv:2404.15341},
year = {2024}
}