先说点其他的。
考虑到信号处理方法提取的特征具有物理可解释性,许多学者将信号处理方法引入到基于神经网络的智能诊断模型中,构建了多种可解释性神经网络诊断模型。比如小波核网络,用连续小波变换CWT替换卷积神经网络的第一层卷积,可以在网络前端提取具有明确物理意义的状态特征;比如可以利用短时傅里叶变换提取时频特征设计了频带注意机制,能够在神经网络中可解释性去噪;比如去噪故障感知小波网络,将小波阈值去噪与信号滤波方法嵌入到神经网络中,可解释性地去除信号噪声。
脉冲神经网络SNN是第三代神经网络,源自生物神经元的结构,通过脉冲信号模拟生物信号在神经网络中的传播,其运行机制更加接近于生物神经网络,具有较强的生物可解释性。此外,由于SNN的脉冲信号通常具有稀疏性,且具有契合硬件的事件驱动特性,所以SNN也促进了具有事件驱动与低功耗特点的神经形态计算架构的快速发展。近年来,SNN开始应用到机械故障诊断领域。例如可以采用种群编码方式,将轴承振动信号经过局部均值分解后的统计特征编码成脉冲序列信号,输入到单层SNN中用于轴承故障诊断;比如可以采用概率脉冲响应模型将种群编码得到的脉冲时间序列转化为连续的脉冲概率序列,构建多层SNN模型实现轴承故障诊断。
因此可以将小波核卷积嵌入到模型的前端,直接从轴承振动信号中提取物理可解释性的多尺度特征,进而通过脉冲神经元将其编码为具有明确物理意义的脉冲编码信息,兼具提取特征的物理可解释性和学习机制的生物可解释性,为机械智能诊断模型的可解释性研究提供一种新思路。
该项目采用脉冲小波方法对旋转机械进行故障诊断,运行环境为MATLAB R2018a。
以转子振动信号为例,原始信号及包络谱如下:
经脉冲小波处理后的信号及包络谱如下:
以轴承振动信号为例,原始信号及包络谱如下:
经脉冲小波处理后的信号及包络谱如下:
完整代码可通过知乎学术咨询获得,知乎ID:哥廷根数学学派。
工学博士,担任《Mechanical System and Signal Processing》《中国电机工程学报》《控制与决策》等期刊审稿专家,擅长领域:现代信号处理,机器学习,深度学习,数字孪生,时间序列分析,设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。