博客摘录「 基于CNN网络的轴承故障诊断」2023年5月18日

4.2 AdaBN 算法依赖测试集统计学信息问题问题描述：虽然 AdaBN 算法可以提高 WDCNN 模型的抗噪能力与变载领域自适应能力，但 AdaBN 算法需要整个测试集的样本在 WDCNN 每一个 BN 层的均值与方差，这对于一个故障诊断系统，在初期是难以满足的。解决思路：1）根据部分测试样本的均值方差，对整体测试样本的均值方差进行估计；2）不获取任何测试集的信息，通过对 WDCNN 模型本身结构与训练方式进行改进，增强其泛化能力。具体措施：（1）TICNN 模型的结构与 WDCNN 类似，第一层卷积核均为大卷积核，大小为 64×1，之后的卷积核均为 3×1 的小卷积核。两者结构上有两点不同：1）TICNN 模型的第一个卷积层的步长从 16 减少到了 8，这样做增加了 TICNN 模型在时域上的分辨率；2）TICNN 增加了一个卷积层与池化层，这样做可以增强网络的非线性表达能力。具体的模型参数如表 5-1 所示，其中第六个卷积层在卷积时没有采用零补，其余的卷积操作均采用零补。此外，第一个卷积层的输出神经元的个数为 4096，大于原始信号的长度 2048，表明第一个卷积层的特征是原始信号的过完备表达。（2）在使用第一层大卷积核进行卷积时，先对卷积核进行 Dropout 操作，这是 TICNN 模型的第一个训练干扰，目的是给 TICNN训练时提供不完整的信号，从而强化 TICNN 在信号部分缺失时的诊断能力。（3）TICNN 使用了极小的mini-batch 来进行批量训练，这是 TICNN 模型的第二个训练干扰，目的是增大 mini-batch 的均值方差变化范围增加，增强模型对测试集的均值方差于训练集发生的偏移时容忍度。（4）在测试阶段，采用集成学习的方式（Ensemble Learning）来进行预测。文中采用的是多数同意规则（Majority Voting），即独立训练 5 个 TICNN模型，对于同一个测试样本，采用投票的方式来决定信号所属故障。集成学习被用来提高模型的识别率，增强模型的稳定性。