在宽内核卷积故障检测器的超参数景观中寻找方向

据报道，最先进的算法在至少根据基准数据集区分健康和损坏机器轴颈振动时几乎完美。然而，这些算法在应用于新数据时是否同样出色？本文确认了神经网络在轴颈故障检测中可能因错误的超参数化而受到影响，并且正确的超参数设置可能会在过渡到新数据时发生变化。本文结合了多种方法来解释卷积神经网络超参数的行为以及如何设置它们。由于已有针对通用超参数（如 mini-batch 大小）的指导方针，我们专注于如何设置特定于体系结构的超参数，如卷积核宽度，这可能是一项不为人所知的主题。我们通过融合来自七个不同基准数据集的信息来反映不同的数据属性，我们的结果表明，第一层的卷积核大小在数据变化时尤其敏感。深入研究后，我们使用对一个数据集的操纵副本来尝试找出为什么有时需要更改卷积大小的原因。通过使用不同的抽样率水平进行研究，研究了抽样率的相关性；通过逐步过滤高频率来研究频谱内容。我们发现，与早期工作中的推测不同，高频噪声并非宽卷积优于窄卷积的主要原因。最后，我们通过明确说明如何设置我们的神经网络体系结构的超参数，以在新数据上有效工作。