Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, Michael Pecht
Abstract
In questo articolo vengono presentati nuovi metodi di deep learning, denominati Deep Residual Shrinkage Networks (DRSN), sviluppati per migliorare la capacità di apprendimento delle feature da segnali di vibrazione affetti da forte rumore e per conseguire un’elevata accuratezza nella diagnosi dei guasti. All’interno delle architetture profonde viene inserito il soft thresholding come strato di trasformazione non lineare, allo scopo di eliminare le feature irrilevanti. Inoltre, considerando che la definizione dei valori ottimali per le soglie (thresholds) risulta generalmente complessa, le Deep Residual Shrinkage Networks integrano alcune reti neurali specializzate come moduli addestrabili per determinare tali soglie automaticamente; in questo modo, non sono richieste competenze specialistiche nell’elaborazione dei segnali. L’efficacia dei metodi proposti è stata validata attraverso esperimenti condotti su varie tipologie di rumore.
Impatto Accademico
Questo articolo ha ricevuto oltre 1.400 citazioni su Google Scholar.
Secondo stime prudenti, le Deep Residual Shrinkage Networks (DRSN) sono state utilizzate in più di 1.000 pubblicazioni. Tali lavori hanno applicato direttamente o apportato miglioramenti alla rete in una vasta gamma di settori, tra cui l’ingegneria meccanica, i sistemi elettrici, la computer vision, il settore sanitario, l’elaborazione del segnale vocale, l’analisi del testo, i sistemi radar e il telerilevamento.
Riferimenti
Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, Michael Pecht, Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, 2020, 16(7): 4681-4690.
https://ieeexplore.ieee.org/document/8850096
BibTeX
@article{Zhao2020,
author = {Minghang Zhao and Shisheng Zhong and Xuyun Fu and Baoping Tang and Michael Pecht},
title = {Deep Residual Shrinkage Networks for Fault Diagnosis},
journal = {IEEE Transactions on Industrial Informatics},
year = {2020},
volume = {16},
number = {7},
pages = {4681-4690},
doi = {10.1109/TII.2019.2943898}
}