异常值注意力卷积网络

零参数融合先验

面向故障诊断提出一种可插入任意卷积层的无参数注意力机制，将异常值型先验知识嵌入特征提取过程，以极低计算开销提升模型解释性和诊断准确性。

黄挺 · 张强 · 陆效农 · 赵爽耀 · 杨善林

IEEE Transactions on Systems, Man, and Cybernetics: Systems 2024

技术优势

先验定义更灵活

将滑动窗口处理后图像化数据的异常值形式化定义为先验知识，相比现有方法，先验定义更新颖灵活。

解释性有依据

模型不仅诊断准确，还能通过高准确率体现良好的模型可解释性。

应用场景

• 工业设备故障诊断：可嵌入现有CNN诊断模型，以零参数开销实现更可靠的设备故障识别
• 旋转机械状态监测：为旋转机械振动图像化数据提供更灵活的先验，提升状态监测准确率
• 风力机叶片结冰检测：在真实叶片结冰数据上验证高准确率，适合辅助结冰检测决策
• 制造过程监控：用于田纳西-伊斯曼过程等工业流程，以低成本融合先验提高过程监控可靠性