May, 2024

化工生产过程中的三层深度学习网络随机树故障诊断

PDF
TL;DR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。
chemical production processfault diagnosisdeep learningmachine learningtdln-trees
发现论文，激发创造
  • 基于贝叶斯循环神经网络的故障检测和识别

    本文提出了一种基于贝叶斯循环神经网络的概率故障检测和识别方法，该方法具备模型复杂性、直接故障识别和故障传播分析等特点，并在对比实验中展示了卓越的性能。

    Nov, 2019

  • 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

  • 基于迁移学习的输入输出解耦网络用于化工过程故障诊断中的生成无相关残差变量

    本文提出了一种基于迁移学习的输入输出解耦网络（TDN）用于诊断目的，它由一个输入输出解耦网络（IDN）和一个预先训练的变分自动编码器（VAE）组成，在 IDN 中，通过对角化和并行计算操作生成无相关残差变量，在迁移学习阶段，根据 VAE 的损失和最大均值偏差损失提供正常状态的知识来指导 IDN 的训练，经过训练后，IDN 学习从故障到正常的映射，从而同时作为故障检测指标和估计故障信号。通过数值示例和化学仿真验证了所开发的 TDN 的有效性。

    Apr, 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

  • 基于深度学习分类器的图像新型故障检测与分级标签

    现代故障分类系统中的一个重要特征是在面对以前未见过的故障类型时能够警示系统。本文考虑了基于深度神经网络的故障分类器的未知故障检测能力。具体而言，我们提出了一种方法，即在可用的情况下，使用有关故障分类法（fault taxonomy）的标签来提高未知故障检测性能，而不损失模型性能。为实现这一目的，我们提出利用软标签技术来改进先进的深度新颖故障检测技术，并提出用于在线新颖故障检测的层次一致的检测统计量。最后，我们在热轧钢生产过程中的检测图像中展示了对新颖故障检测的提高性能，结果在多个场景和基准检测方法中得到了良好的复制。

    Mar, 2024

  • 恶意流量检测的深度学习

    本文提出了一种基于层次分类和数量相关的反向传播算法的树形深度神经网络（TSDNN），以解决不平衡数据学习的问题，并在实验中表明其优于现有方法，可用于实时检测和深度学习在网络安全中的普适性能力。

    Feb, 2018

  • 拓扑深度学习架构：拓扑神经网络综述

    Topological Deep Learning 解决复杂系统数据处理与知识提取的框架，但目前 Topological Neural Network 研究缺乏统一的符号和语言。本文提供对 TDL 可访问的介绍，并使用统一数学和图形符号比较最近发表的 TNN。通过对 TDL 领域的直观和批判性评估，提取有价值的见解，为未来发展提供激动人心的机遇。

    Apr, 2023

  • 基于时间深度降解网络和基于注意力的特征提取的复杂机械剩余寿命预测

    使用一维卷积神经网络提取传感器数据的退化相关特征，并提出了时间深度退化网络 (TDDN) 模型来更加准确地预测剩余寿命，这个模型使用注意力机制来捕捉故障特征和退化发展，对公共 C-MAPSS 数据集进行评估，与现有方法进行比较，证明了 TDDN 模型在复杂条件下能够以最佳的 RUL 预测精度来预测涡轮风扇发动机的剩余使用寿命。

    Feb, 2022

  • 一种可解释的深度学习方法用于轴承故障诊断

    利用卷积神经网络和 Grad-CAM 激活图可视化技术，提出一种对轴承故障进行分类的可解释型深度学习方法，通过识别训练样本的特征重要性形成了一个诊断知识库，在模型评估过程中根据特征重要性的相似性检索预测基础样本，实验结果表明该方法能够选择直观且具有物理意义的预测基础样本，提高模型对人类用户的可靠性。

    Aug, 2023