Nov, 2023

一种稠密融合注意力网络在离心风机故障诊断中的应用

PDF
TL;DR本研究旨在通过嵌入分布式注意力模块到稠密连接中，改进深度学习模型在旋转机械状态监测中的理解和诊断过程，提出的密集融合网络通过可视化网络的诊断过程，增加模型诊断的可解释性，并在离心风机故障数据上验证了其诊断性能的优越性。
deep learningcondition monitoringrotating machinerydense fusiondiagnostic performance
发现论文，激发创造
  • 基于深度卷积神经网络和无监督方法的离心泵新型故障类别智能检测

    该研究论文介绍了一种基于数据驱动的故障诊断方法，使用卷积神经网络对旋转机器进行故障诊断，并使用 t-SNE 方法和聚类技术检测新的故障，实验结果表明该方法在检测新故障方面具有高准确性。

    Sep, 2023

  • FANet：一种反馈注意力网络，用于改进生物医学图像分割

    在生物医学图像分析领域，我们提出了一种称为反馈关注网络（FANet）的新型架构，利用每个训练时期的信息来修剪随后的预测地图，该网络在不同的卷积层上允许学习特征图的 “硬关注”，通过七个公开的生物医学成像数据集测试，显示出较大的平均分割指标提高。

    Mar, 2021

  • TDANet: 一种新颖的带注意力机制的时序去噪卷积神经网络用于故障诊断

    提出了一种基于时间去噪卷积神经网络和注意力机制的故障诊断方法，能够在噪声环境中改善故障诊断性能，并通过对 CWRU 数据集和真实飞机传感器故障数据集的评估表明，在噪声环境下，该方法在诊断准确度方面明显优于现有的深度学习方法。

    Mar, 2024

  • 旋转机械多任务故障诊断的个性化联邦学习

    本研究提出一种个性化联邦学习框架，使用联邦聚类方法将具有相似振动特征数据的不同工厂旋转机器进行分类，并通过多任务深度学习模型进行异构信息融合进行多任务故障诊断，最终采用自适应分级汇聚策略解决不同机器之间的数据异构性问题。案例研究验证了所提出的框架的有效性，特别对于那些故障样本匮乏的机器，使用所提出的个性化联邦学习可以显著提高诊断精度。

    Nov, 2022

  • 聚焦注意力：自然图像中准确的文本识别

    本文提出了一种名为 Focusing Attention Network 的方法，利用聚焦注意机制来消除针对复杂和 / 或低质量图像的 “注意力漂移” 现象，同时采用 ResNet-based 网络来丰富场景文本图像的深层表示，并在 IIIT5k、SVT 和 ICDAR 数据集上进行了实验，其结果表明 FAN 明显优于现有方法。

    Sep, 2017

  • 动力学视角下的分层共享注意力网络

    提出一种名为 DIA 的注意力网络单元，该单元在不同的神经网络层之间共享单个注意力模块，从而在各种视觉任务中提高了现有自我注意力模块的准确性，并且具有强大的正则化能力，能够通过增强层间信息交流和梯度值有效地恢复和提高其训练不稳定性。

    Oct, 2022

  • 电机故障诊断的主动基础模型

    利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据，提出了一种新的机械故障诊断方法，通过少量标记样本和大量未标记数据的有效组合，实现了比现有方法更出色的性能。

    Nov, 2023

  • 注意力网络中的深度特征分析

    该研究提出了一种基于注意力机制的深度神经网络模型解释方法，通过可视化生成的热图分析分类准确性和注意力之间的关系，并证明了使用改进注意力方法可以更好的展示分类器的解释。

    Jan, 2019

  • 基于注意力机制的频率多任务学习用于电力系统故障检测

    本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

    Sep, 2020

  • 电机故障诊断的基础模型

    提出了一种基于自监督学习的神经网络模型来解决电动机故障诊断的问题，通过微调模型在不同故障情景、不同机器之间实现了超过 90％的分类准确度，具有广泛的潜力应用于现实世界中的跨机器故障诊断任务。

    Jul, 2023