Enhancing Gas Turbine Fault Diagnosis Using a Multi-Scale Dilated Graph Variational Autoencoder Model

This paper proposes a Multi-scale Dilated Variational Graph Convolutional Autoencoder (MG-VAE) model for gas turbine fault diagnosis. The model integrates a multi-scale dilated convolutional attention mechanism to extract features across different scales, enhancing its ability to represent complex d...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE access Ročník 12; s. 104818 - 104832
Hlavní autoři:	Kun, Zhang, Hongren, Li, Xin, Wang, Daxing, Xie, Shuai, Yang
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Piscataway IEEE 2024 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Ablation Accuracy Artificial neural networks Convolutional neural networks Data mining Data models Fault diagnosis Feature extraction Gas turbine Gas turbines Industrial applications MG-VAE Monitoring noise robustness Real gases Turbines
ISSN:	2169-3536, 2169-3536
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!