Hierarchical Graph Convolutional Networks With Latent Structure Learning for Mechanical Fault Diagnosis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Industrial sensor signals are essentially non-Euclidean graph structures due to the interplay between process variables; thus, graph convolutional networks (GCNs) have been widely studied and applied. However, most of the existing GCN-based methods may suffer from two drawbacks: 1) it is difficult to characterize multiple interactions among nodes and 2) the input graph constructed from the original data may contain errors and missing edges, which will degenerate the fault diagnosis performance. To address the abovementioned issues, this article designs a hierarchical GCN with latent structure learning for industrial fault diagnosis, which can organize hierarchical networks to collaboratively improve the quality of latent graph structure, and enhanced diagnostic performance can be guaranteed. First, a high-quality updated graph is formed by incorporating the original graph with the new graph in the graph constructing layer, which can not only eliminate the adverse effects of noise and outliers but also characterize the multiple interactions among nodes. Then, the updated graph is fed into the multilayer GCN layer for better feature learning and enhances the node representation through intra- and inter-layer convolutional operations simultaneously. After that, the produced node embeddings are used to guide the latent structure learning process for optimal graph. Finally, the proposed method is verified in both the simulated and real industrial processes. The experimental results demonstrate that the new approach has better fault diagnosis accuracy and practicability than state-of-the-art methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle