Feb, 2024

多尺度神经过程嵌入知识的可扩展可靠深度迁移学习用于智能故障检测

PDF
TL;DR本文提出了一种基于神经过程和图卷积网络的深度转移学习方法（GTNP），通过特征转移策略在高维空间中消除源领域和目标领域之间的数据分布差异，全局和局部潜在变量的联合建模以及稀疏采样策略减少目标领域中观测数据的需求，多尺度不确定性分析通过全局和局部潜在变量的分布特征获得，从而使 GTNP 能够提供反映方法复杂性和任务难度的定量值，同时允许对每个受到噪声和偏差影响的样本进行不确定性建模（故障检测结果的置信度），在 3 个智能故障检测任务中，验证了所提出方法相较于其他基于深度转移学习的方法具有更好的检测性能。
deep transfer learningintelligent fault detectionneural processesgraph convolution networkuncertainty analysis
发现论文，激发创造
  • 深度迁移学习在入侵检测系统中的应用：综述

    本文重点介绍了基于深度迁移学习的入侵检测系统 (IDS)， 特别是在工业控制网络中的应用。通过回顾相关文献，介绍了不同类型的数据集，DTL 使用的种类，预训练网络，IDS 技术以及评估指标等，经过不同研究的比较分析，证明了基于 DTL 的 IDS 可以更好地提高网络安全性。

    Apr, 2023

  • 深度迁移学习与最近进展综述

    该论文介绍了深度迁移学习的定义和分类方式，探讨了近五年来应用的技术，并研究了实验分析结果，讨论了深度迁移学习方法的限制以及对应的解决方案和研究趋势。其中包括在 Covid-19 检测和边缘设备上应用深度迁移学习可以降低训练成本和增加精度的优势。

    Jan, 2022

  • 基于异构图的智能电网故障事件诊断的多任务学习

    本研究提出了一种异构多任务学习图神经网络（MTL-GNN），用于检测、定位和分类故障，同时提供故障电阻和电流的估计。使用图神经网络（GNN）学习配电系统的拓扑表示和特征学习，以及一种基于 GNN 的新颖可解释性方法以确定配电系统中的关键节点，从而实现知情稀疏测量。数值测试验证了该模型在所有任务上的性能。

    Sep, 2023

  • 化工生产过程中的三层深度学习网络随机树故障诊断

    通过整合深度学习和机器学习技术，该论文提出了一种名为 TDLN-trees 的新型故障诊断模型，结合了双向长短期记忆神经网络、全连接神经网络和 extra trees 算法的优势，用于处理复杂的大规模化工生产过程中的故障诊断问题，并通过对 Tennessee Eastman 过程的实验分析验证了该方法的优越性。

    May, 2024

  • 故障预测中深度工业迁移学习调查

    本文是关于利用深度学习技术处理故障预测的应用场景、数据集不足和算法难定制等问题，探讨应用迁移学习和连续学习的方法来解决现实场景中故障预测问题的自适应性，并且为未来的研究提供最佳实践和通用的数据对比基准。

    Jan, 2023

  • 面向 MLP 类的有效视觉故障检测的空间动态蒸馏

    基于多层感知器 (MLP) 的空间动态蒸馏框架，用于货运列车的视觉故障检测，解决了传统 CNN 中空间不变性和池化层建模不足的问题，从而提高了实时检测精度和降低了计算成本。

    Dec, 2023

  • 输电线路故障诊断的迁移学习

    提出一种新颖的基于预训练的卷积神经网络的转移学习框架，应用于不同长度和阻抗的变电站输电线路故障诊断，证明其在这方面的可行性和有效性。

    Jan, 2022

  • 基于二维化序列的多尺度融合故障诊断方法在复杂场景中的应用

    本文提出了一种改进的 Gram 角场方法 (GAF) 结合灰度图像的卷积神经网络方法，用于滚动轴承的异常检测，具有可行性和工业部署的潜力。

    Apr, 2023

  • DTL：用于视觉识别的解耦式迁移学习

    通过提出深度解耦迁移学习（DTL），我们可以减少大量的 GPU 内存使用和可训练参数，并在准确性上显著超过现有的 PETL 方法，在几个标准基准上达到了新的最先进水平。

    Dec, 2023

  • 应用门控动态可学习注意力机制的双重变压器用于田纳西东曼过程的故障检测和诊断

    利用两个独立的 Transformer 分支建立一种新的 FDD 方法，通过引入门控机制和动态学习功能的 GDLAttention 以及使用双线性相似性函数的注意机制，提高了对于 Tennessee Eastman Process 中的故障检测和诊断的准确性和健壮性。

    Mar, 2024