相关实验视频
Updated: May 25, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
348
具有特征融合的序列感知视觉变压器用于复杂工业过程中的故障诊断
Zhong Zhang1, Ming Xu2, Song Wang1
1School of Electrical and Information Engineering, Zhengzhou University, Zhengzhou 450001, China.
Entropy (Basel, Switzerland)
|February 26, 2025
概括
这项研究引入了一种用于工业故障诊断的新型视觉变压器 (ViT) 模型,增强高维时间序列数据中的复杂模式识别. 全球和本地特征融合方法提高了准确性,并优于现有方法.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 工业故障诊断在高维,长时间序列数据和复杂的合中提出了挑战.
- 传统的方法和现有的深度学习模型,如视觉转换器 (ViT),难以捕捉全球时间模式和对于准确诊断至关重要的本地信息.
研究的目的:
- 提出一种全新的全球和本地特征融合序列感知ViT (GLF-ViT),用于增强工业故障诊断.
- 修改ViT中的功能嵌入,以保持采样点相关性和保存本地信息.
主要方法:
- 开发了一个GLF-ViT模型,将分类令牌的全球特征与编码器的本地特征融合在一起.
- 修改了功能嵌入,以保持采样点相关性和本地信息.
- 进行了分析数据段长度,网络深度,特征融合和注意力头接收场的实验.
主要成果:
- 证明较浅的编码器网络更适合于复杂工业过程中的高维时间序列故障诊断.
- 拟议的GLF-ViT方法通过有效地融合全球和本地特征,显著提高了复杂的故障诊断.
- 在田纳西伊斯曼 (TE) 数据集和电力传输故障数据集上表现优于最先进的算法.
结论:
- GLF-ViT模型在工业故障诊断方面取得了重大进展,特别是在复杂,高维的时间序列数据方面.
- 这些发现表明,一个较浅的网络架构与有效的功能融合相结合,是提高诊断准确性的关键.
- 该方法在不同的工业数据集中显示出强大的可通用性和有效性.
