基于多维融合,注意力机制和多任务学习的气体传感器阵列故障诊断
Pengyu Huang1, Qingfeng Wang1, Haotian Chen1
1State Key Laboratory of Integrated Optoelectronics, College of Electronic Science and Engineering, Jilin University, Changchun 130012, China.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
一个新的机器嗅觉系统MAM-Net通过融合多维数据和使用注意力机制来改善气体传感器阵列故障诊断. 这提高了监测系统健康状况的准确性和效率.
科学领域:
- 传感器技术 传感器技术
- 人工智能的人工智能是人工智能.
- 机器学习 机器学习
背景情况:
- 机器嗅觉系统对于环境监测和医学诊断至关重要.
- 准确的气体传感器阵列故障诊断对于可靠的系统运行至关重要.
- 由于单维特征提取,现有的方法在诊断准确性和效率方面存在局限性.
研究的目的:
- 开发一种新的故障诊断网络,MAM-Net,用于气体传感器阵列.
- 通过使用多维特征融合,注意力机制和多任务学习来解决现有方法的局限性.
- 为了提高气体传感器阵列故障诊断的准确性和效率.
主要方法:
- 开发了一种新的故障诊断网络MAM-Net.
- 应用多维特征融合来提取综合特征.
- 利用带有注意力模块的残余网络和用于空间和时间特征捕获的Bi-LSTM网络.
- 集成功能使用连接层,并使用多任务学习进行并行诊断.
主要成果:
- 与现有方法相比,MAM-Net表现出优越的性能.
- 该框架在各种数据集和实验环境中实现了良好的识别准确性和稳定性.
- 多维特征融合和多任务学习有效地提高了诊断能力.
结论:
- MAM-Net为气体传感器阵列故障诊断提供了一个有效的解决方案.
- 拟议的框架提高了诊断的准确性和效率.
- MAM-Net显示出可靠的机器嗅觉系统操作的巨大潜力.
