基于注意力加权关系网络的少量射击故障诊断
Li Xue1, Aipeng Jiang2, Xiaoqing Zheng2
1HDU-ITMO Joint Institute, Hangzhou Dianzi University, Hangzhou 310018, China.
Entropy (Basel, Switzerland)
|January 22, 2024
概括
一个新的注意力加权关系网络 (AWRN) 使用最小的数据有效地诊断气动门的故障. 这种深度学习方法通过提高故障检测和分类准确度来提高复杂能源系统的可靠性.
科学领域:
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 复杂的能量转换系统因气动控制异常而面临可靠性问题.
- 传统的深度学习故障诊断需要大量的标记数据,而这些数据往往很少.
研究的目的:
- 开发一种新的气动门故障诊断方法,克服小样本数据的局限性.
- 提高关键工业系统中故障检测和分类的准确性和效率.
主要方法:
- 提出了一个注意力加权关系网络 (AWRN),整合了少数拍摄的学习和注意力机制.
- 实施了AWRN用于气动门系统的特征提取和故障分类.
- 通过构建的DA门故障数据集和基准PU滚动轴承故障数据集验证了该方法.
主要成果:
- 在DA故障数据集上,AWRN实现了99.15%的准确性.
- 在PU滚动轴承故障数据集上达到98.37%的平均准确性.
- 与最先进的方法相比,表现优越,特别是在有限的培训数据下.
结论:
- 拟议的AWRN方法对于小样本尺寸的故障诊断非常有效.
- 这种方法可以通过准确有效地检测故障来显著提高系统可靠性.
- 在数据稀缺的复杂工业系统中,AWRN为故障诊断提供了有前途的解决方案.
