Mar, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于 RNN 的 Tennessee Eastman 工艺早期网络攻击检测

    本研究采用基于循环神经网络的预测方法，对模拟的 Tennessee Eastman 工艺过程中的工业多变量时间序列数据进行早期异常检测，通过特定的 NAB 评估方法进行早期检测，同时提供了与 DPCA 方法的比较。

    Sep, 2017

  • 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

    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。

    Feb, 2024

  • 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

  • 基于 Transformer 架构的旋转机械故障诊断深度神经网络 T4PdM

    本篇论文利用 Transformer 神经网络提出了一个 T4PdM 故障自动分类器模型，以提高机械故障分析和诊断过程的性能，并比较了该模型与其他之前发表作品的表现，结果表明此模型在检测和分类旋转式工业机械故障方面具有优越性。

    Apr, 2022

  • 基于人工智能和溶解气体分析的变压器故障诊断研究现状：文献综述

    本文探讨了利用人工智能和溶解气体分析的变压器故障诊断的最新技术，并分析了不同方法的优缺点。研究旨在提供对变压器故障诊断和人工智能在保证电力系统可靠运行中的作用的有价值的见解。

    Apr, 2023

  • 利用动态注意力提升基于 Transformer 的大型语言模型的鲁棒性

    通过提出一种名为动态注意力的新方法，我们设计了一个针对转换器架构的机制来增强模型本身对各种对抗性攻击的鲁棒性，从而显著减轻对抗性攻击的影响，并将其与其他防御方法（如对抗性训练）相结合以进一步增强模型的鲁棒性。

    Nov, 2023

  • 基于稀疏注意力的数字孪生中生产过程优化的质量预测

    通过使用生产线的数学模型，基于质量预测模型的数字孪生模型在虚拟和实际生产线之间实现了流畅的集成，提高了过程质量和生产效率。

    May, 2024

  • 学习图像去雨变换网络 with 动态双自注意力

    该论文提出了一种基于 Transformer 的图像去雨算法，结合了密集和稀疏自注意力机制，通过选择最有用的相似性值和空间增强的前馈网络来提高去雨效果。实验证明了该方法的有效性。

    Aug, 2023

  • 基于知识图谱的电力变压器故障预测

    应用知识图谱和梯度提升决策树技术，我们提出了一种能够有效学习少量高维数据的方法，用于电力变压器的安全状态评估和故障分析，取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性，并在进步性、实用性和广泛应用潜力方面有显著改进。

    Feb, 2024