一个以事件驱动的Spike-DBN模型用于使用奖励-STDP进行故障诊断
Ying Liu1, Xiuqing Wang2, Zihang Zeng1
1School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China.
ISA transactions
|June 29, 2023
概括
本研究引入了针对尖端深度信念网络 (spike-DBNs) 的事件驱动方法,以提高故障诊断的准确性并减少时间序列数据分析中的资源消耗. 新方法增强事件表示和神经元行为,显著提高诊断性能.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 深度神经网络 (DNN) 擅长故障诊断,但难以处理时间序列数据和高资源使用.
- 尖端深度信念网络 (spike-DBNs) 提供更低的资源消耗和更好的时间分析,但往往牺牲了诊断准确性.
研究的目的:
- 增强尖端DBN,以提高多变量时间序列数据中的故障诊断准确性和效率.
- 解决现有的尖峰DBN模型在捕捉时间动态和保持高精度方面的局限性.
主要方法:
- 将事件驱动方法集成到spike-DBNs中,使用延迟率编码来增强事件表示.
- 应用奖励-STDP学习规则,专注于事件触发尖端神经元的全球行为.
- 在操纵器故障分类任务上对拟议方法的实验验证.
主要成果:
- 拟议的方法保持了低资源消耗,同时提高了尖端DBN的故障诊断能力.
- 实验结果表明,操纵器故障分类的准确性提高了.
- 与同样的条件下的spike-CNN相比,学习时间显著减少 (近76%).
结论:
- 事件驱动机制的新型集成显著提高了用于故障诊断的尖端DBN的性能.
- 这种方法提供了一个有前途的解决方案,用于准确和资源高效地分析时间变化的工业数据.
- 开发的方法为机器人和工业监控中的复杂故障分类任务提供了可行的替代方案.
