liguge/EWSNet

🔥 EWSNet: Khởi tạo trọng số sóng thông minh + Ngưỡng thích ứng động cân bằng cho chẩn đoán lỗi con lắc lăn

EWSNet đề xuất một mạng ba luồng sâu kết hợp khởi tạo trọng số dựa trên sóng có thông tin vật lý và thuật toán ngưỡng thích ứng động cân bằng, nâng cao khả năng giải thích và kháng nhiễu trong chẩn đoán lỗi.

EWSNet là bản cài đặt PyTorch của bài báo "Physics-informed interpretable wavelet weight initialization and balanced dynamic adaptive threshold for intelligent fault diagnosis of rolling bearings", đã được chấp nhận tại Journal of Manufacturing Systems. Dự án giải quyết hai vấn đề chưa được nghiên cứu sâu rộng: khởi tạo trọng số và thiết lập ngưỡng cho khử nhiễu trong chẩn đoán lỗi con lắc lăn.

✨ Điểm nổi bật

• Mạng ba luồng sâu EWSNet: Thiết kế chuyên cho chẩn đoán lỗi con lắc lăn ở tốc độ không đổi hoặc biến đổi nhanh.
• Hạt nhân tích chập sóng nâng cường: Sử dụng hệ số làm trơn thang để tối ưu hóa thang sóng, cải thiện khả năng huấn luyện.
• Khởi tạo trọng số sóng plug-and-play: Áp dụng kiến thức trước sóng có thông tin vật lý, tạo hạt nhân có khả năng giải thích.
• Ngưỡng thích ứng động cân bằng: Tăng cường khả năng chống nhiễu của mô hình.
• Bản đồ kích hoạt chuẩn hóa (NAM): Trực quan hóa hiệu quả của Z-score trong việc tăng cường thông tin miền tần số.
• Hỗ trợ bốn bộ dữ liệu: Được kiểm chứng dưới điều kiện tốc độ không đổi và biến đổi.

💡 Vì sao đáng chú ý

EWSNet khác biệt so với các phương pháp truyền thống bằng cách kết hợp trực tiếp kiến thức vật lý vào thiết kế mạng thông qua khởi tạo trọng số dựa trên sóng. Phương pháp ngưỡng thích ứng động cân bằng giúp mô hình vượt qua hiệu quả nhiễu, trong khi NAM cung cấp công cụ trực quan để phân tích ảnh hưởng của chuẩn hóa dữ liệu. Phù hợp cho các ứng dụng chẩn đoán lỗi trong môi trường công nghiệp thực tế.

#WaveletWeightInitialization #BalancedDynamicThreshold #FaultDiagnosis #PyTorch #TiniX