qq_45549605的博客

在胶囊网络的架构基础上，将原始故障振动信号作为输入，通过构造首层小波核卷积层，针对性提取冲击故障特征，提高深度学习网络特征提取的可解释性；在小波核卷积层之后扩展一层卷积层，强化首层小波核卷积层提取的特征，将特征经初级胶囊层、数字胶囊层输出分类结果，从而构造了端对端的小波卷积胶囊网络模型。为了增强网络模型对齿轮、轴承故障特征提取的可解释性，将小波与卷积网络相结合，针对性提取故障振动信号中的冲击特性。标准卷积层采用随机初始化卷积核与输入信号的高度和宽度进行卷积，其表达式为。2.1Laplace小波卷积层。

盲源分离，粒子群算法、胶囊网络、故障诊断

受CNN和完全连接网络之间差异的启发，CNN的共享权重结构意味着更少的参数进行优化，更快地收敛到最小值，并避免过拟合。FCCN和WSCN之间的关键区别在于胶囊网络的架构，前者是完全连接的，后者是权重共享的。两个诊断案例证明了WSCN的泛化性能，与其他最先进的方法相比，它在不同的工作条件下获得了更高的精度。如下图所示，WSCN中的可训练变换矩阵的数目为c，而FCCN的可训练矩阵的数目是nxc。在最终的胶囊层中，在基于协议的动态路由算法之后，应用L2范数来计算胶囊分类器的输出向量的长度并将其转换为预测向量，

一种基于残差‑胶囊网络的行星齿轮箱故障诊断方法；一种基于改进卷积胶囊网络的轴承故障诊断方法

应用一（参考文献：A Convolution Meural Network Based on a Capsule Network with Strong Generalization for Bearing Fault Diagnosis）在传统的卷积神经网络应用中因其最大池化层的处理方式可能会忽略特征之间的位置关系，因此将胶囊网络引入到深度学习中。受胶囊网络中动态路由的启发，提出了一种具有初始块（Inception结构）和回归分析的额新型胶囊网络。首先，在预处理阶段，将一维信号转换为时频图。其次，将图形数

输入一张图片，通过CNN进行简单的特征提取，然后通过8个并行的CNN进行深度的特征提取，在经过胶囊网络的动态路由输出预测结果。重建过程：提取到特征向量后采用全连接的方式将其恢复为784的向量（因为初始图片是28*28的），然后将其还原为图片。输出：一个CNN的输出是1*32*6*6，8个并行的输出是1*8*32*6*6---->1*8*1152。1.1普通CNN的缺点：CNN在提取特征时只在乎有没有，不在乎他具体的状态是如何的。从图中不难看出最大池化将一个4*4的矩阵池化为1*1的，会丢失大量的数据特征。

文章中提出一种改进胶囊网络特征提取结构和反向传播损失计算方法的滚动轴承故障诊断模型，应用多尺度卷积核Inception结构和空间注意力机制替代传统胶囊网络单一卷积层进行特征提取，得到不同尺度下、重点区域突出的特征数据，利用胶囊结构构建向量神经元，通过动态路由的特征传递方式，得到分类结构数字胶囊，实现故障诊断。

通常的信号处理方法比如基于小波变换、基于经验模态分解等方法需要熟知电机工作的细节，需要了解当发生故障时会出现哪些异常数据或者特征频率，通过这些异常数据来进行电机的故障诊断。而与传统的故障诊断方法相比，人工智能的方法就不需要熟知这些细节就能够观测目标的一些常规状态来进行决策。常用的人工智能方法是构建卷积神经网络模型，利用卷积神经网络来对电机进行特征提取，最终实现电机的故障诊断。为了能够提高诊断的精度和效率，这里提出通过粒子群算法对胶囊网络进行优化来获得最佳的故障诊断效果。