超级会员免费看
文章探讨了在轴承故障诊断中，深度学习与人工特征提取的效果。作者通过实验发现，尽管人工特征提取方法常被认为能增强故障特征，但在实际应用中，与深度学习相比，其效果并不占优。以希尔波特黄方法为例，虽然能直观显示特征频率，但在分类任务中，使用深度学习模型如ShuffleNetV2能得到更好的结果。结论指出，人工特征提取方法可能因过于依赖人为观察，而忽略了对模型更有价值的特征信息，深度学习模型作为自动特征提取工具更具优势。
0 前言
首先说明基本情况，本人入坑轴承故障诊断一年多，对于很多问题可定认识还不到位，研究的也不够彻底，所以这篇文章算是自己的阶段性认知，不一定正确，希望各位道友批评指正。
当初之所以选择这个方向，第一是因为我之前的工作就是机械方向，二是人工智能比较热门，三是我认识到这个方向的门槛可能没有那么高。
第三点其实很重要，因为我本身不是学机械的，学校和导师这边也没有支持，靠自学想毕业的话只能找自己力所能及的方向。在前期看书的过程中，很多书里都有这么一种说法：“深度学习的方法不需要复杂的人工特征提取过程，而是能够自行对有用特征进行提取，因此不需要很多先验知识”。这也许就是很多跨专业、跨领域的人纷纷来使用深度学习方法的原因吧。
事实上是不是这样呢？先抛出我个人的结论，很多传统的人工特征提取方法似乎都是一种花架子，和深度学习差距较大，很多人工特征+深度学习的方法也是在拖深度学习的后腿而已。
这个结论是人工智能技术或者说深度学习带来的，目前的自然语言处理领域里，现在能见到几个语言学专家呢？图像识别领域，你又能找到几个专门进行图像人工特征提取的？大家都是在尽力增强模型的能力，因为人工提取特征的能力早就已经被深度学习技术超越了，这个是不争的事实。
1 评判标准
以西储大学轴承数据集
订阅专栏 解锁全文
扫一扫
9296
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
