Deep Residual Shrinkage Networks สำหรับการวินิจฉัยความผิดปกติ (Fault Diagnosis)

Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, Michael Pecht

บทคัดย่อ:

บทความวิจัยนี้ได้พัฒนาวิธีการเรียนรู้เชิงลึก (Deep Learning) รูปแบบใหม่ที่เรียกว่า “Deep Residual Shrinkage Networks” เพื่อยกระดับความสามารถในการเรียนรู้คุณลักษณะ (Feature Learning) จากสัญญาณการสั่นสะเทือนที่มีสัญญาณรบกวนสูง และเพื่อให้ได้ความแม่นยำในการวินิจฉัยความผิดปกติในระดับสูง

โดยมีการนำฟังก์ชัน Soft Thresholding มาแทรกไว้ในชั้นการแปลงแบบไม่เชิงเส้น (Nonlinear Transformation Layers) ภายในสถาปัตยกรรมโครงข่ายเชิงลึก เพื่อกำจัดคุณลักษณะที่ไม่สำคัญออกไป นอกจากนี้ เนื่องจากโดยทั่วไปการกำหนดค่า Threshold ที่เหมาะสมทำได้ยาก โครงข่าย Deep Residual Shrinkage Networks ที่พัฒนาขึ้นนี้จึงได้ผนวกโครงข่ายประสาทเทียมเฉพาะทางเข้ามาเป็นโมดูลที่สามารถเรียนรู้ได้ (Trainable Modules) เพื่อกำหนดค่า Threshold โดยอัตโนมัติ ทำให้ไม่จำเป็นต้องอาศัยความเชี่ยวชาญเฉพาะด้านการประมวลผลสัญญาณแต่อย่างใด ทั้งนี้ ประสิทธิภาพของวิธีการที่พัฒนาขึ้นได้รับการยืนยันผลผ่านการทดลองกับสัญญาณรบกวนรูปแบบต่างๆ

ผลกระทบทางวิชาการ:

บทความวิจัยนี้ได้รับการอ้างอิง (Citations) มากกว่า 1,400 ครั้งบน Google Scholar

จากการประเมินขั้นต่ำ พบว่า Deep Residual Shrinkage Networks (DRSN) ถูกนำไปประยุกต์ใช้ในผลงานตีพิมพ์ทางวิชาการมากกว่า 1,000 ฉบับ ซึ่งงานวิจัยเหล่านี้ได้นำเครือข่ายดังกล่าวไปประยุกต์ใช้โดยตรงหรือนำไปพัฒนาต่อยอดในหลากหลายสาขา อาทิ วิศวกรรมเครื่องกล, ระบบไฟฟ้ากำลัง, คอมพิวเตอร์วิทัศน์ (Computer Vision), การดูแลสุขภาพ, การประมวลผลเสียงพูด, การวิเคราะห์ข้อความ, เรดาร์ และการสำรวจระยะไกล (Remote Sensing)

เอกสารอ้างอิง

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}
}