.png){kind=icon}
返回
Imbalance-Aware APS Failure Classification Using Feature-Wise Attention Graph Convolutional Network
.png){kind=icon}
OA
AI
DOI：10.3390/pr14071107.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业设备数据通常表现出高维性和类别不平衡，这使得同时实现准确的故障检测和识别导致故障的因素变得困难。为解决此问题，本研究提出了一种可解释的故障分类框架——基于特征的注意力图卷积网络（FWA-GCN），该框架结合了基于特征的注意力（FWA）和图卷积网络（GCN），以同时提供高分类性能和变量级可解释性。在所提出的模型中，表格化传感器记录被视为节点，并通过构建基于相似性的图来捕捉样本之间的关系。基于特征的注意力学习每个特征的重要性，并相应地重新加权节点特征，然后使用重新加权后的特征作为GCN的输入以分类故障发生情况。为缓解类别不平衡问题，在训练过程中应用加权损失函数，通过对故障类别分配更高权重。在Air Pressure System（APS）数据集上进行的实验表明，所提出的FWA-GCN实现了79.95%的精确率、85.07%的召回率和82.43%的F1分数，优于包括随机森林、XGBoost、CatBoost和多层感知机在内的传统机器学习模型，以及标准GCN模型。此外，通过移除注意力机制选出的顶级特征进行了消融研究。结果表明召回率显著下降，证实了基于注意力的特征重要性有效性，并支持所提出框架的可解释性。
Keyword:
air pressure system
classification
class imbalanced data
failure detection
feature-wise attention
graph convolutional network
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.8
论文数:
7.3K
被引数:
3.7W
机构
引用论文
Data-Driven Methods for Predictive Maintenance of Industrial Equipment: A Survey数据驱动的工业设备预测性维护方法综述
PREAI
分享收藏Impacts of Feature Selection on Predicting Machine Failures by Machine Learning Algorithms机器学习算法中特征选择对预测机器故障的影响
OAAI
OAAI分享收藏Imbalanced data fault diagnosis method for nuclear power plants based on convolutional variational autoencoding Wasserstein generative adversarial network and random forest基于卷积变分自编码Wasserstein生成对抗网络和随机森林的核电厂不平衡数据故障诊断方法OAAI
OAAI分享收藏分享收藏Digital twin-driven imbalanced fault diagnosis method based on new distribution discrepancy metric and large margin aware focal loss基于新型分布差异度量和大型边缘感知焦点损失驱动的数字孪生不平衡故障诊断方法
PREAI
分享收藏Anomaly Detection Using Autoencoder Reconstruction upon Industrial Motors在工业电机上使用自动编码器重建进行异常检测.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏A Novel Deep Learning Framework Based RNN-SAE for Fault Detection of Electrical Gas GeneratorIEEE ACCESS
IEEE ACCESSIF3.6
PREAI
分享收藏
查看更多内容