*第六篇《基于多分支深度可分离卷积神经网络的滚动轴承故障诊断研究》论文阅读笔记

[1]刘恒畅,姚德臣,杨建伟,张骄.基于多分支深度可分离卷积神经网络的滚动轴承故障诊断研究[J].振动与冲击,2021,40(10):95-102.
基于多分支深度可分离卷积神经网络的滚动轴承故障诊断研究
*note：本文研究方法不太能理解，后期需要再看一遍思路。

一、文章本身

文章框架

思维脑图链接

1. Research question(s) (文章的研究问题是什么？—通常好的实证研究都有非常具体的研究问题，我们要把它拎出来)

针对传统滚动轴承故障诊断方法存在抗噪性差、需要人工特征提取、计算量较大、对运行设备要求高的问题，提出一种基于多分支深度可分离卷积神经网络( MBDS-CNN) 的滚动轴承故障诊断方法，利用深度可分离卷积和权重剪枝技术对模型尺寸进行压缩，通过多分支结构保证模型的精度，避免梯度消失现象的发生。

2. Hypotheses (文章的实证假设是什么？—一般会非常显眼得列在文章里：Hypothesis1, Hypothesis 2…)

基于多分支深度可分离卷积神经网络( MBDS-CNN) 的滚动轴承故障诊断方法，利用深度可分离卷积和权重 剪枝技术对模型尺寸进行压缩，通过多分支结构保证模型的精度，避免梯度消失现象的发生

3. Methods/measures used (该实证研究用了什么方法收集数据、测量变量、分析数据？)
4. 怎样评估模型？

使用模型尺寸、诊断精度、 预测速度作为评价指标对模型进行评估。

5. Key findings (该研究发现了什么研究结果？哪些假设被支持，哪些并没有成立？)

试验结果证明，基于多分支深度可分离卷积神经网络的滚动轴承故障诊断，可以在噪声环境下有效识别轴承不同部位故障程度，提高了诊断效率，降低了对运行设备性能的要求。

我能从本文学到的

1. 有哪些重要的观点你想要记住，或是将来可能会引用到 （key citations）;

【一维振动信号重构为二维矩阵】
将矩阵保存为灰度图作为诊断模型的输入，使用多分支深度可分离卷积神经网络，对滚动轴承故障类型和故障程度进行分类，借助权重剪枝技术对模型进行优化，缩小模型尺寸( 诊断模型占运行设备 的存储空间大小) ，相对于传统深度学习方法提高了诊断效率。

【深度可分离卷积是什么】
Xception 提出使用深度可分离卷积( depthwise separable convolution) 代替传统卷积操作，深度可分离卷积 包括两个层: ①对每个输入通道使用一个卷积核称为 深度卷积( depthwise convolution，DW) ; ②使用一个1 × 1 的卷积合并 DW的输出称为逐点卷积( pointwise convolution，PW)

2. 有哪些结论你将来可能用到；

3. 有哪些方法你将来可能用到；

1、构建诊断方法的思路

2、将原始1维时间序列振动信号转为二维矩阵输入CNN的方法
3、权重剪枝技术
4、构建数据集方法
5、验证方法

4. 文章在研究设计上有哪些不足?有没有更好的改进方法？

nope

5. 文章让你想到了哪些观点类似或者完全不同的其他文章？

nope

总结

1. 你对文章中观点、论述、方法、讨论等部分有什么想法和critique？

方法part不太理解，赶紧把框架搭起来上手跑一下。
很多思路是值得参考的。