liguge/Fault-diagnosis-for-small-samples-based-on-attention-mechanism

🧠 DCA-BiGRU: Chuẩn đoán lỗi mẫu nhỏ bằng cơ chế attention và BiGRU

Dự án PyTorch cài đặt thuật toán chuẩn đoán lỗi dựa trên cơ chế attention cho mẫu nhỏ, kết hợp BiGRU và các cải tiến regularization.

DCA-BiGRU là bản cài đặt bằng PyTorch của bài báo Fault diagnosis for small samples based on attention mechanism. Dự án giải quyết bài toán chuẩn đoán lỗi với số lượng mẫu rất nhỏ bằng cách kết hợp cơ chế attention không gian-kênh (SCA) 1D, BiGRU và các kỹ thuật regularization cải tiến. Bộ dữ liệu sử dụng là từ máy bơm 12kHz, 1hp.

✨ Điểm nổi bật

• Cơ chế attention 1D (SCA): [code]
• AMSGradP: [code]
• 1D-Meta-ACON: [code]
• GAP sau BiGRU/BiLSTM: áp dụng Global Average Pooling để cải thiện hiệu suất.
• 1D-Grad-CAM++: [code]
• AdaBN: [code]

💡 Vì sao đáng chú ý

DCA-BiGRU không chỉ tập trung vào độ chính xác mà còn nhấn mạnh khả năng giải thích (interpretability) thông qua 1D-Grad-CAM++. Các cải tiến như GAP sau BiGRU, AMSGradP và AdaBN giúp mô hình vượt trội trên bài toán mẫu nhỏ. Phù hợp cho chuẩn đoán lỗi trong môi trường công nghiệp nền tảng dữ liệu hạn chế.

---

#FaultDiagnosis #DeepLearning #PyTorch #AttentionMechanism #SmallSample #TiniX