May, 2024

基于多尺度图卷积滤波的少样本故障诊断方法研究

PDF
TL;DR本文针对工业设备故障诊断中的数据稀缺、复杂操作条件和各种故障类型等挑战，介绍了一种使用多尺度图卷积滤波（MSGCF）的故障诊断方法。该方法通过整合局部和全局信息融合模块，在图卷积滤波块内增强传统图神经网络（GNN）框架，有效地解决了过多层图卷积层导致的过度平滑问题，并保持了广泛的感受野。在少样本诊断方面，该方法降低了过拟合风险，增加了模型的表示能力。对帕德博恩大学轴承数据集进行的实验表明，所提出的 MSGCF 方法在准确性上优于其他方法，为少样本学习场景中的工业故障诊断提供了有价值的洞见。
industrial equipment fault diagnosismulti-scale graph convolution filteringfew-shot learninggraph convolutional neural networkssignal analysis
发现论文，激发创造
  • 基于深度图卷积网络的配电系统故障定位

    本文提出了一种新颖的图卷积网络（GCN）框架，用于电力配电网络的故障定位。该方法集成了不同母线上的多个测量值，并考虑了系统拓扑结构。在 IEEE 123 母线基准系统上，GCN 模型的有效性得到了证实。模拟结果表明，该模型的故障定位精度远高于其他广泛使用的机器学习方案。此外，该方法对于测量噪声和数据丢失错误具有鲁棒性。提出了数据增强过程来增加模型在各种噪声和数据丢失错误水平下的鲁棒性。进一步的实验表明，该模型能够适应配电网络的拓扑变化，并能在有限数量的测量母线下良好运行。

    Dec, 2018

  • 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

  • 少样讯息增强对比学习用于图形异常检测

    FMGAD 是一种新颖的少样本图异常检测模型，利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示，并借助深度图神经网络消息增强重构模块从根本上利用少样本标签信息并使其能够传播到更深的未标记节点，该模块进一步辅助自监督对比学习的训练。综合对六个真实世界数据集的实验结果表明，FMGAD 能够在人工注入异常或领域有机异常的情况下，实现比其他最先进方法更好的性能。

    Nov, 2023

  • 图卷积在推荐系统中的效果如何？

    本文通过图信号处理的角度，研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论，提出了基于图卷积的统一框架，证明了现有的许多 CF 方法都是这个框架的特例，包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等，提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型，在三个知名数据集上实验表明，GF-CF 与基于深度学习的方法相比性能更强，在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。

    Aug, 2021

  • 基于生成对抗增强的多尺度卷积神经网络模型的滚动轴承故障诊断方法

    基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法，通过编码滚动轴承的时间域信号并生成特征图，扩展训练样本集并提取故障特征，应用注意力机制进行特征加权和深度特征提取，通过 softmax 分类器完成故障诊断，具有更好的泛化性能和抗噪性能。

    Mar, 2024

  • 多尺度带符号注意力图神经网络在社交机器人检测中的应用：一个频率视角

    本研究使用多尺度有符号注意力图过滤器进行社交机器人检测，结果表明该方法相对于现有的多种社交机器人检测方法具有更好的性能。

    Jul, 2023

  • 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

  • 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

  • 低通协作滤波的图卷积网络推荐算法

    为了应用 Graph Convolutional Network 到大规模图上，我们提出了一种 Low-pass Collaborative Filter 算法来清除噪声并降低计算复杂度，实验结果表明这种算法可以有效提高图卷积的效果和效率。

    Jun, 2020

  • 将多尺度拓扑与金字塔图卷积神经网络集成于数字病理学中

    图卷积网络（GCNs）在数字病理学中作为卷积神经网络的多实例学习强大替代品，能够优秀地处理各种空间范围内的结构信息，对于从吉格巴 H&E 染色全幻灯片图像（WSI）中学习至关重要。然而，图传递算法在聚合大邻域时往往存在过度平滑的问题，因此，多尺度 GCN（MS-GCN）通过利用 WSIs 中多个放大级别上的信息解决了这个问题。MS-GCN 能够同时对较低放大倍数下的长程结构依赖性和较高放大倍数下的高分辨率细胞细节进行建模，类似于病理学家通常进行的分析流程。该架构的独特配置允许同时对较低放大倍数下的结构模式和较高放大倍数下的细胞特征进行建模，并量化每个放大倍数级别对预测的贡献。通过在不同数据集上的测试，MS-GCN 在现有单放大倍数 GCN 方法上展现出优越的性能。我们的方法在性能和可解释性方面的提升有望推动计算病理学模型的发展，特别是在需要广泛空间背景的任务中。

    Mar, 2024