A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals 阅读笔记

最近开始粗读论文。这一篇讲的就是1DCNN做Fault Diagnosis。

他的特色有几个

1 第一层用了大卷积核（64），后面全用小的，作者说是第一层就用小的会很受噪音干扰。

　　第一层大卷积核这个想法我有过，但我的想法是单层大核，直接接MAXPOOL，因为多层的卷积没有物理意义。

　　之前没有思考过第一层小核的劣势。

2 用了AdaBN，自适应系数的BN，和主方向关系不大不深究了。

3 主要过来读的目的就是他的可视化了。作者可视化了很多东西：

　　（1）学到的卷积核（第一层）　　，分析说有些长得像sinusoid，可以看出来这些卷积核可能是受噪音影响的。

还可视化了这些卷积核的频率域表示。

　　（2）.对于十种不同输入，第一层卷积的激活状态。作者说可见不同输入激活位置是不同的。

（3）.把每一层的激活地图都可视化了，然后标出来第一层比较红的区域。提供一种决策位置上的解释。（这里的想法与图像中的CAM,LRP有一些相似）

　　　　　　　　　　　　　.

 

（4）.

 

 

tSNE图 传统方法 体现每一层的学习成果。

对于本文我觉得优点是可视化的研究了一些前人在fault diagnosis领域忽略的东西。

但是对网络结构没有本质上的创新，还是传统的一套，缺点就是第二层开始的特征都缺乏物理意义（所以作者只集中讨论了第一层），

同时CNN本身的学习很受噪音干扰（即使作者用大核优化来避免），从第一层滤波器看出可能很多都没学到本质的东西。