基于自适应时空注意力和样本生成的异构域故障诊断
机器学习
2025-10-30 v1 人工智能
摘要
深度学习方法在多模式工艺的故障诊断中显示出前景广阔。但大多数现有研究假设来自不同运行模式收集的健康状态类别是相同的。然而，在实际工业场景中，这些类别通常仅存在部分重叠。可用数据的不完整性以及运行模式之间的大分布差异给现有故障诊断方法带来了显著挑战。为此，提出一种名为自适应时空注意力网络（TSA-SAN）的新型故障诊断模型。首先，使用健康类别数据构建跨模式映射，以生成多模式样本。为丰富故障数据的多样性，在健康样本和故障样本之间进行插值。随后，使用真实数据和生成数据训练故障诊断模型。建立自适应实例归一化，以抑制不相关信息同时保留诊断所必需的统计特征。此外，构建时空注意力机制以聚焦于关键特征，从而增强模型的泛化能力。广泛的实验表明，所提出的模型显著优于当前最先进的方法。该代码将在 Github 上发布，地址为 https://github.com/GuangqiangLi/TSA-SAN。
引用
@article{arxiv.2505.11083,
title = {Fault Diagnosis across Heterogeneous Domains via Self-Adaptive Temporal-Spatial Attention and Sample Generation},
author = {Guangqiang Li and M. Amine Atoui and Xiangshun Li},
journal= {arXiv preprint arXiv:2505.11083},
year = {2025}
}
备注
31 pages, 11 figures