科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对大气数据具有时变性强、类型多、故障复杂等问题，提出一种基于多头自注意力机制的故障诊断方法.首先，使用LSTM提取故障数据的时域特征；然后，结合MSA提取不同类型数据间的空间位置特征；最后，利用MLP提升模型泛化能力，给出了故障诊断流程.该方法在不同类型数据间形成故障互判，实现多故障识别，并利用大气数据对该方法有效性进行充分验证.给出了试验设置，采用带k折交叉验证的网格搜索法确定最优模型参数；为验证LSTM-MSA模型的性能，构建MSA-LSTM、LSTM-MSA-P、LSTM-CNN、RNN-MSA共4种深度学习模型进行对比试验；为验证诊断模型能否精确定位故障，使用验证集的预测标签和真实标签构建故障分类混淆矩阵；为进一步验证文中方法的诊断能力，基于t-SNE进行了可视化试验.结果表明，所提出方法的故障识别准确率达96.696%,F1达96.777%,且各类故障的误判率均控制在10%以下，诊断模型具有较高的鲁棒性.
- 出版日期2023
- 单位自动化学院; 中国民航大学
