TDANet：一种用于故障诊断的带注意力的新型时间去噪卷积神经网络
机器学习
2024-04-01 v1 人工智能
信号处理
摘要
故障诊断在维护机械系统运行完整性、防止因意外故障造成重大损失方面起着关键作用。随着智能制造和数据驱动方法的发展，深度学习(DL)已成为故障诊断研究中的关键技术，因其能够自主提取复杂特征而受到认可。然而，当前故障诊断方法的实际应用受到工业环境复杂性的挑战。本文提出了带注意力的时间去噪卷积神经网络(TDANet)，旨在提高噪声环境下的故障诊断性能。该模型根据一维信号的周期特性将其转换为二维张量，采用多尺度二维卷积核提取周期内和周期间的信号信息。这种方法能够有效识别在多个时间尺度上变化的信号特征。TDANet包含带有残差连接的时间变量去噪(TVD)模块和多头注意力融合(MAF)模块，增强了噪声数据中信息的显著性，并保持了有效的故障诊断性能。在两个数据集(CWRU单传感器和真实飞机传感器故障多传感器)上的评估表明，TDANet模型在噪声环境下的诊断准确率显著优于现有的深度学习方法。
引用
@article{arxiv.2403.19943,
title = {TDANet: A Novel Temporal Denoise Convolutional Neural Network With Attention for Fault Diagnosis},
author = {Zhongzhi Li and Rong Fan and Jingqi Tu and Jinyi Ma and Jianliang Ai and Yiqun Dong},
journal= {arXiv preprint arXiv:2403.19943},
year = {2024}
}