科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统深度学习网络模型在变工况条件下的故障诊断泛化能力差的问题，提出一种基于迁移学习的双向长短时记忆网络和注意力机制(TLBA)融合的故障识别方法。将原始故障数据划分为源域及目标域；并构建融合注意力机制的双向长短时记忆网络(BiLSTM-Attention, BA)模型，之后使用此模型学习源域数据特征；最后利用迁移学习通过对目标域数据的学习，进一步优化调整BA模型的网络参数，最终得到目标域的故障分类辨识模型。以航空器翼梁故障为案例，结果表明，该方法与传统故障诊断方法BiLSTM-Attention相比，其综合评价指标F1-score有3.4%的提高，故障平均诊断准确率在91%以上；同时针对变工况下的故障分类结果较为稳定。
- 出版日期2023
- 单位自动化学院; 中国民航大学
