迁移学习在变工况方向舵故障诊断中的应用

为解决飞行器方向舵在复杂多变的工况条件下的故障诊断准确性问题,提出了一种结合卷积神经网络(CNN)和基于网络的深度迁移学习(NDTL)的NDTL-CNN故障诊断方法。首先,搭建了飞行器方向舵的故障仿真模型,采集不同工况条件、健康状态下的多维传感器数据;然后,设计了CNN,其自适应地从定工况数据中深度提取特征,能够有效捕获方向舵的故障特征信号;最后,对定工况下的预训练CNN进行模型微调,将其迁移到变工况数据中进行故障诊断。实验结果表明:所提方法在短时间内将变工况下CNN的诊断精度提高了15%,最终NDTL-CNN的诊断精度为97.7%,达到了在复杂多变的工况条件下精确辨识方向舵的健康状态。

基于ALSTM-MHA的航空发动机寿命预测

为了提升剩余寿命预测任务的精度,提出一种基于注意力长短时记忆网络和多头自注意力机制(ALSTM-MHA)的剩余寿命预测模型,在利用数据时序性的条件下提取特征维度的重要程度以及时间维度的相关性信息。使用C-MAPSS数据集对模型进行实验验证,并与其他方法进行对比。结果表明:ALSTM-MHA模型能够有效地提取特征及时间维度上的注意力信息,与其他方法相比,它在均方根误差和非对称评价指标上分别降低了至少0.3%和20.48%,验证了模型的可行性和有效性。