TFN：一种嵌入时频变换的可解释神经网络，用于智能故障诊断

@第{条陈2022TFNAI，title={TFN:嵌入时频变换的可解释神经网络用于智能故障诊断}，author={钱晨、董行健、屠国伟、王冬、赵宝萱、彭志科}，日志={ArXiv}，年份={2022}，体积={abs/2209.01992年}，网址={https://api.semanticscholar.org/CorpusID:252090070}}
[PDF]语义阅读器

本文图表

10个引文

通过原型匹配解释典型故障信号

将人固有的原型匹配与自动编码器（AE）相结合，提出了原型匹配网络（PMN），以理解分类逻辑并解释典型故障信号的外观。

故障诊断中的可解释深度学习及其在状态监测中的应用前景

提出了一个完整的框架来提高刀具磨损监测的可解释性，包括不同的步骤和具体技术的讨论。

速度波动下货车轮对轴承跨机转移故障诊断的可解释调制微分STFT和基于物理的平衡谱度量

太阳能电池板维护的创新解决方案：基于VGG16的早期损伤检测方法

结果表明，所提出的技术成功地识别和分类了太阳能电池板的表面问题，从而提高了能源输出和可持续性。

基于双向GRU和GEO方法的可再生能源智能控制器设计与故障预测

摘要可再生能源（RES）在满足化石燃料稀缺导致的绿色能源增长方面发挥了关键作用。引起的电压波动和功率波动…

基于统计特征胶囊网络的可解释故障诊断框架

为了明确模型的决策基础，提高诊断过程的透明性，提出了一种基于胶囊层耦合矩阵的胶囊网络可解释智能故障诊断框架。

相似与相似：一种多粒度Ball-Intra Fusion方法，用于故障诊断模型，以抵抗噪声标签的误导

轴承故障诊断中基于解析小波的有效时间序列数据增强

一种可解释的轴承故障波形分割模型

冲击时域分解：基于包络能量梯度特征的多源冲击信号自适应分解方法

49参考文献

WaveletKernelNet：一种可解释的工业智能诊断深度神经网络

提出了一种新的小波驱动深度神经网络，称为WaveletKernelNet（WKN），其中设计了连续小波卷积（CWConv）层来代替标准CNN的第一卷积层。

基于再生核Hilbert空间的神经网络可解释去噪层及其在机器故障诊断中的应用

提出了一种基于再生核希尔伯特空间（RKHS）作为标准神经网络第一层的新型可解释去噪层，目的是结合传统信号处理技术与物理解释的优点以及具有参数自适应的网络建模策略。

一种新的带噪声标签的归一化递归神经网络故障诊断

提出了一种用于噪声标签故障诊断的归一化递归神经网络（NRNN）框架，该框架利用归一化长短期记忆来改进训练过程，并引入前向交叉熵损失来处理噪声标签的负面影响。

基于小波核的卷积神经网络在电力设备局部放电源定位中的应用

提出了一种新的卷积神经网络（CNN）拓扑结构，利用小波核检测和区分高压电力设备中的单个或多个局部放电位置，提高了检测精度。

旋转机械半监督故障诊断的混合分类自动编码器

粗到细：基于渐进知识转移的多任务卷积神经网络用于智能大规模故障诊断

设计了一种基于渐进知识传递的多任务卷积神经网络（PKT-MCNN），用于同时学习粗粒度和细粒度任务，并提取更一般的故障信息，从而使算法远离较差的局部极小值。

强噪声变载荷条件下轮对轴承故障诊断的多分支多尺度CNN方法

在轮对轴承数据集上的实验结果表明，该方法具有更好的抗噪能力和负载域适应性，与五种先进网络相比，可以更准确地诊断12种故障类型。

用于高频时间序列无监督监测的完全可学习深度小波变换

一种完全无监督的高频时间序列深度学习框架，能够提取原始信号的有意义且稀疏的表示，能够灵活处理不同长度的时间序列，从而克服了现有深度学习方法的一些局限性。

旋转机械智能诊断的深度学习算法：开源基准研究

在卷积神经网络中使用滤波器组进行纹理分类