深度学习笔记：Deep Residual Networks with Dynamically Weighted Wavelet Coefficients for Fault Diagnosis of

深度学习笔记：Deep Residual Networks with Dynamically Weighted Wavelet Coefficients for Fault Diagnosis of Planetary Gearboxes

这篇文章的题目可翻译为“基于深度残差网络及动态加权小波系数的行星齿轮箱故障诊断”，将小波包变换和深度残差学习结合起来，应用于机械故障诊断。

文章的核心创新点：复杂旋转机械系统的振动数据包含着很多不同频率的冲击和振荡成分，而且不同频带内的振动成分在故障诊断中的重要程度经常是不同的，因此可以按照如下步骤设计深度神经网络，实现对不同频带信息自适应加权的功能。

第一步：对振动信号进行离散小波包分解，构建小波包系数矩阵，作为深度学习算法的输入。

第二步：作者设计了一种动态加权层（dynamic weighting layer，简称dynamic），实际上是一种逐行加权层，对每一行施加不同的权重。其中，动态加权层的权重与深度残差网络中其他权重一样，都初始化为随机数，并且在训练过程中进行更新。

第三步：将动态加权层嵌入深度残差网络的内部，形成了如下的深度学习模型。其中m表示卷积核的数量。

M. Zhao, M. Kang, B. Tang, M. Pecht, “Deep Residual Networks with Dynamically Weighted Wavelet Coefficients for Fault Diagnosis of Planetary Gearboxes,” IEEE Transactions on Industrial Electronics, vol. 65, no. 5, pp. 4290-4300, 2018.

https://ieeexplore.ieee.org/document/8066359

Source: https://www.cnblogs.com/super-9527/p/10014622.html