WaveletKernelNet：一种用于工业智能诊断的可解释深度神经网络
计算机视觉与模式识别
2023-03-24 v3 机器学习
神经与进化计算
摘要
卷积神经网络（CNN）凭借其特征学习与非线性映射能力，在预测与健康管理（PHM）中已展现出有效性。然而，关于 CNN 架构物理含义的解释研究甚少。本文提出一种新颖的小波驱动深度神经网络，称为 WaveletKernelNet（WKN），其中设计连续小波卷积（CWConv）层以替换标准 CNN 的第一卷积层。这使得第一 CWConv 层能够发现更有意义的滤波器。此外，在该 CWConv 层仅直接从原始数据学习尺度参数与平移参数。这为获得定制的滤波器组提供了非常有效的方式，专门调优用于提取嵌入振动信号中的缺陷相关冲击分量。另外，利用实验室环境数据开展了三项实验验证，以验证所提方法在机械故障诊断中的有效性。结果表明所设计 CWConv 层的重要性，且 CWConv 层输出具有可解释性。此外，发现 WKN 比标准 CNN 具有更少参数、更高故障分类准确率和更快收敛速度。
引用
@article{arxiv.1911.07925,
title = {WaveletKernelNet: An Interpretable Deep Neural Network for Industrial Intelligent Diagnosis},
author = {Tianfu Li and Zhibin Zhao and Chuang Sun and Li Cheng and Xuefeng Chen and Ruqiang Yan and Robert X. Gao},
journal= {arXiv preprint arXiv:1911.07925},
year = {2023}
}