TSViT:用于故障诊断的时间序列视觉 Transformer
系统与控制
2025-01-03 v2 人工智能
系统与控制
摘要
使用卷积神经网络(CNNs)的传统故障诊断方法常难以捕捉振动信号的时间动态。为克服此问题,基于 Transformer 的视觉 Transformer(ViT)方法在故障诊断中的应用正受到关注。然而,这些方法通常需要大量预处理,增加了计算复杂度,可能降低诊断过程效率。针对这一不足,本文提出面向高效故障诊断的时间序列视觉 Transformer(TSViT)。TSViT 结合卷积层从振动信号提取局部特征,以及 transformer 编码器识别长期时间模式。在三个不同数据集上的详尽实验对比展示了 TSViT 的有效性与适应性。此外,本文深入探讨了超参数调优对模型性能、计算需求和参数量的影响。值得注意的是,TSViT 在两个测试集上取得了前所未有的 100% 平均准确率,在另一测试集上达 99.99%,展现出卓越的诊断能力。
引用
@article{arxiv.2311.06916,
title = {TSViT: A Time Series Vision Transformer for Fault Diagnosis},
author = {Shouhua Zhang and Jiehan Zhou and Xue Ma and Susanna Pirttikangas and Chunsheng Yang},
journal= {arXiv preprint arXiv:2311.06916},
year = {2025}
}