A NOVEL DEEP PARALLEL TIME-SERIES RELATION NETWORK FOR FAULT DIAGNOSIS

介绍一篇2022年来自电子科大的论文，深度并行时序网络

0.摘要

考虑到应用时序数据的上下文信息的模型能够提高故障诊断的表现，一些网络（RNN,LSTM,GRU）对诊断结果比较有效。然后，这些模型受限于计算复杂度，难以达到很高的诊断效率。由于大尺寸的卷积核或深层的架构，并行CNN要处理长期的信息也难以达到较高的效率。BERT模型采用绝对位置编码为模型引入了上下文信息，但同时也带入了噪音。为了处理上述问题，提出deep parallel time-series relation network(DPTRN)。有以下三个优点：1. DPTRN基于MLP架构，可以十分有效的提高计算效率。2.改善绝对位置编码，使用解耦位置编码单元可以学习上下文信息。3.在特征可解释性方面有着明显的优点。

1.引言

PCA,ICA,RVM,DBN,等诊断方法。然而工业过程是连续变化的，因此，利用时序特征为工业过程的每个阶段建模是很有必要的。

 模型架构如下：

1.建立时序数据集

2.划分当前时间节点D(T)与历史时间节点D(k)，k=1,2，…,T-1.

3.将每一个历史时间节点与当前时间节点输入时序单元。

4.生成绝对位置编码，并利用位置查询query矩阵和位置key矩阵映射为解耦位置编码。

5.将时序信息单元与解耦位置编码单元的输出相加得到每个历史节点的时间关系权重。

6.历史信息向量与当前时间节点的特征拼接（contact）作为分类层的输入获取故障诊断结果。