胶囊网络用向量替代标量天然适合建模故障特征的层次结构但是传统胶囊网络有2个短板第1层仍是普通卷积缺乏物理引导路由机制依赖低效的迭代耦合。提出做了2项针对性改进用可学习Laplace小波核替代第1层随机卷积使网络从物理上匹配冲击信号的形态设计最大化聚合路由机制用可学习网络替代EM迭代来更新耦合系数。01 可学习Laplace小波卷积传统CNN第1层的卷积核是自由参数学完后波形杂乱无法解读物理意义。但是滚动轴承的故障冲击本质上是一种衰减振荡——恰好和Laplace小波的形态吻合。将Laplace小波的生成公式嵌入卷积层每个输出通道分配3个可训练参数尺度参数控制小波振荡频率决定关注哪个频段衰减参数控制包络衰减速度匹配冲击的快慢相位参数调整振荡的初始角度。前向传播时根据当前参数动态生成16个不同形态的小波核与输入信号逐通道卷积。训练中这些参数随分类损失自适应调整不需要人工选择母小波类型。训练结束后直接可视化所有小波核的时域波形——可以看到它们自动分化出从低频到高频、从快衰减到慢衰减的多种形态覆盖不同故障的冲击特性这个设计解决了第1层黑箱和小波基选择困难2个问题。02 最大化聚合路由传统胶囊网络用EM路由或动态路由来更新耦合系数需要多轮迭代收敛行为不稳定。提出方法设计的最大化聚合路由用4个轻量可学习网络来替代迭代过程A网络为每个输入胶囊生成激活强度抑制噪声胶囊投票矩阵将输入胶囊线性投影到输出空间G网络从当前输出胶囊反向预测输入向量形成“生成-匹配”闭环S网络比较实际输入与预测输入的差异输出匹配分数。路由仅需3次迭代每次通过匹配分数和激活强度的联合Softmax更新耦合系数输出胶囊由输入胶囊的加权和经Squash压缩得到。相比传统路由这个机制的优势在于匹配网络和生成网络均有可学习参数可以根据数据分布自适应调整聚合策略而不是仅依赖余弦相似度或高斯分布假设。03 整体架构与训练网络由小波卷积层、批归一化、ReLU激活、最大池化、主胶囊卷积、全局平均池化、最大化聚合路由和边缘损失组成。全局平均池化消除了时间维度使输入DigitCaps的胶囊表示不依赖序列长度更稳定。损失函数采用胶囊网络经典的边缘损失目标胶囊的L2范数即类别概率被推向0.8以上非目标胶囊被压至0.2以下。优化器选用NAdam。参考文章基于可学习Laplace小波和最大化聚合路由胶囊网络的机械故障诊断如果你对信号滤波/降噪机器学习/深度学习时间序列预分析/预测设备故障诊断/缺陷检测/异常检测有疑问或者需要论文思路上的建议欢迎学术付费咨询担任《MSSP》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家擅长领域信号滤波/降噪机器学习/深度学习时间序列预分析/预测设备故障诊断/缺陷检测/异常检测