融合全局特征以改进卷积神经网络用于故障诊断
计算机视觉与模式识别
2022-10-04 v1 系统与控制
系统与控制
摘要
深度学习技术已在复杂过程的现代故障诊断中占据重要地位。特别是卷积神经网络（CNN）通过将多元时间序列数据转换为图像，展现出处理此类数据的良好能力。然而，现有 CNN 技术主要聚焦于从输入图像中捕获局部或多尺度特征。通常需要较深的 CNN 才能间接提取对描述由多元动态数据转换所得图像至关重要的全局特征。本文提出一种新颖的局部-全局 CNN（LG-CNN）架构，直接同时考虑局部与全局特征进行故障诊断。具体而言，局部特征由传统局部核获取，而全局特征通过使用跨越图像整个高度与宽度的 1D 高瘦与宽胖核来提取。随后将局部与全局特征合并，通过全连接层进行分类。所提出的 LG-CNN 在基准 Tennessee Eastman 过程（TEP）数据集上得到验证。与传统 CNN 相比，所提出的 LG-CNN 能在不显著增加模型复杂度的前提下大幅提升故障诊断性能。这归因于 LG-CNN 所创建的局部感受野远宽于 CNN。所提出的 LG-CNN 架构可轻松扩展至其他图像处理与计算机视觉任务。
引用
@article{arxiv.2210.01077,
title = {Improving Convolutional Neural Networks for Fault Diagnosis by Assimilating Global Features},
author = {Saif S. S. Al-Wahaibi and Qiugang Lu},
journal= {arXiv preprint arXiv:2210.01077},
year = {2022}
}
备注
6 pages, 5 figures