可学习稀疏正则网络

可解释机械异常检测

以算法展开实现机械异常检测的可解释性，网络学习稀疏先验而非预设正则，提取的特征与机械振动特性相吻合。

Xiyue, Chen · 王诗彬 · Shiao, Wang · Ding, Baoqing · 严如强 · 陈雪峰

IEEE Transactions on Industrial Informatics 2025

技术优势

免手工正则

不再对编码和字典施加显式正则约束，而是通过两个子网络从数据中学习先验，提升了模型的表示能力。

抗噪且特征强

通过模拟和实验数据分析，证明该方法具有强特征提取和抗噪能力，适用于实际工业振动信号。

可全局局部解释

通过对整体重构和不同字典原子的可视化，能够从全局和局部两个层面解释学习结果，提供事后可解释性。

应用场景

• 机械健康监测：直接从振动信号学习稀疏先验，特征与机械振动特性吻合，替代依赖手工特征或预设正则的方法。
• 工业物联网状态感知：抗噪能力强，适合在工业物联网中从含噪声的传感器数据中提取异常特征。
• 机器人状态监测：对动态振动信号可解释提取异常，可嵌入机器人关节或减速器状态监测。
• 工业设备预测维护：通过可解释重建定位异常成分，为预测性维护提供决策依据而非黑箱报警。