近日，美国电气与电子工程师协会系统、人与控制论（英文简称：IEEE SMC）学会在美国夏威夷公布了2023年Andrew P. Sage最佳论文奖（Andrew P. Sage Best Transactions Paper Award）。yl23455永利yl23455永利严如强教授团队凭借论文《Waveletkernelnet: An Interpretable Deep Neural Network for Industrial Intelligent Diagnosis》摘得该奖项。自1998年成立以来，Andrew P. Sage最佳论文奖每年从IEEE SMC学会出版的每个汇刊过去两年发表的论文中依据原创性、技术水平、对IEEE SMC感兴趣领域的潜在影响以及论文本身的写作质量等原则各遴选一篇论文授予该奖励，这也是以yl23455永利为第一单位的论文历史上首次获得该最佳论文奖。

该论文介绍了一种新型的小波驱动深度神经网络架构，称为小波核网络（WaveletKernelNet，WKN），它解决了传统卷积神经网络（CNN）在动态系统故障预测与健康管理（PHM）中被广泛关注的局限，即CNN的输出缺乏物理可解释性。该文的创新之处在于采用开创性的方法，通过将连续小波变换（CWT）中的物理先验引入到了CNN的网络结构中，即在标准CNN中引入了连续小波卷积（CWConv）层以取代其第一卷积层。由于小波变换植根于数学，并能将相关物理系统中测量到的时间序列信号（如振动）转换为时域/频域图像，与标准的传统卷积层相比，它能更有效地捕捉物理系统的动态特性。因此，它能为图像处理提供更有意义的滤波器，从而更好地发现数据中潜藏的故障特征。CWConv层能够从输入数据中直接学习尺度因子和时移因子，从而创建定制化的滤波器组。同时，通过网络训练对CWConv层的参数进行学习和调整，使得小波核网络可以有效提取时间序列信号（如工业机器上测量的振动信号）中与故障相关的冲击特征。该小波核网络架构中的CWConv层与传统CNN相比，模型可解释性得到了极大的改善，网络的诊断准确率提高了10%以上。此外，该文还展示了所提出的CWConv层的效率增益，为更少的训练迭代实现更稳定的收敛铺平了道路。

论文的第一作者为yl23455永利yl23455永利李天福博士，通讯作者为西安交大yl23455永利严如强教授。yl23455永利是论文的唯一通讯单位。该论文的合作者还包括yl23455永利陈雪峰教授和美国凯斯西储大学Robert X. Gao教授等。论文工作得到了国家自然科学基金重点和面上等项目的共同资助。