Core Concepts
ノイズの強い環境下での軸受故障診断のために、分類器ガイド付きのニューラルブラインド畳み込み手法を提案する。この手法は、時間領域の二次畳み込みニューラルフィルタと周波数領域の線形ニューラルフィルタを組み合わせ、さらに物理情報に基づく損失関数を用いることで、ブラインド畳み込みと深層学習分類器の統合的な最適化を実現する。
Abstract
本論文では、ノイズの強い環境下での軸受故障診断のために、分類器ガイド付きのニューラルブラインド畳み込み手法を提案している。
まず、時間領域と周波数領域の2つのニューラルフィルタを設計した。時間領域フィルタは2層の対称的な二次畳み込みニューラルネットワーク(QCNN)で構成され、周期的なインパルスを抽出する。周波数領域フィルタは全結合ニューラルネットワークで構成され、離散周波数成分を強調する。
次に、分類器ガイド付きのブラインド畳み込み(ClassBD)フレームワークを提案した。ClassBDでは、深層学習分類器の故障ラベルを利用して、ブラインド畳み込みフィルタの学習を導く。これにより、ノイズの中から識別に有効な特徴を抽出することができる。具体的には、クロスエントロピー損失、クルトーシス、𝑙2∕𝑙4ノルムの3つの損失関数を組み合わせた物理情報ガイド付き損失関数を設計した。さらに、不確実性重み付き損失関数を用いて、各損失の重要度を自動的に調整した。
実験結果から、提案手法がノイズの強い環境下でも優れた故障診断性能を示すことが確認された。
Stats
信号対雑音比(SNR)が低いほど、ノイズが強くなる。
各サブシーケンスごとにノイズ強度が異なるため、より困難な状況を想定している。