강력한 결함 진단을 위한 다중 규모 채널 주의 기반 그래프 동적 융합 학습 방법

최근, 노이즈 신호 하에서 다중 센서 결함 진단에 대한 연구가 주목받고 있습니다. 다양한 정도의 외부 간섭과 센서 정밀도의 차이로 인해 서로 다른 채널 간 신호 품질이 일관되지 않습니다. 이러한 불일치는 종종 결함 진단 모델에 의해 간과되며 정확하게 포착하기도 어렵습니다. 이 문제를 해결하기 위해 본 기사는 기계 결함 진단을 위한 다중 규모 채널 주의 기반 그래프 동적 융합 네트워크를 소개합니다. 이 네트워크는 여러 규모에서 채널 간 중요성의 차이를 발굴하고 노드 특성 표현을 강화하기 위해 채널 주의 가중치를 계산할 수 있습니다. 또한, 다중 소스 특성을 처리하기 위한 그래프 동적 융합 프레임워크가 제안되어 서브 그래프를 병렬로 처리하여 심층 특성 융합을 달성하고 실시간 모델 출력을 기반으로 융합 프로세스를 동적으로 조정할 수 있습니다. 제안된 그래프 동적 재구성 모듈은 특성 융합 프로세스의 신뢰성을 더욱 향상시킵니다. 실험 부분에서는 세 가지 노이즈 분포 시나리오를 시뮬레이션하여 제안된 방법의 내구성을 축을 흐르는 펌프와 기어박스에서 검증했습니다. 최첨단 모델 및 전통적인 딥러닝 모델과의 비교 분석은 제안된 방법의 효과성과 우수성을 확인합니다.