空时模型融合自注意力机制的航空管路故障诊断新方法

航空发动机外部液压管路结构复杂且管路故障信号中伴随着强大的噪声干扰,导致航空管路故障特征提取十分困难,同时目前诊断模型参数和计算量比较庞大,不适合高效地移植到移动和嵌入式设备。面对上述挑战,提出一种轻量化空时模型融合注意力机制的航空发动机液压管路故障诊断新方法,并命名为S-Bi-ATM-Net模型,首先,设计轻量化管路空间特征提取模块,从而融合管路故障数据的空间特征,抽取数据的细粒度特征;然后,设计轻量化管路时间特征提取模块,从细粒度特征中继续融合管路粗粒度特征,实现粗细粒度特征融合;此外在空时模型中融合自注意力机制进行优化,使得最后的决策更加的聚焦,进一步提高所提模型的诊断精度。基于同一数据集,将所提方法与目前主流方法对比分析发现,所提方法能更准确地识别航空管路不同的故障状态,证明了所提方法的优越性和稳定性。

基于空时模型的航空管路卡箍故障诊断研究

针对航空液压管路卡箍振动信号受强噪声干扰,导致航空卡箍故障难以精准识别的问题,提出一种空时模型的航空卡箍故障诊断新方法。建立空间特征提取模型,对航空卡箍的故障特征进行局部融合。在空间模型中引入GRU模块,提取航空卡箍故障信号中的全局特征。结果表明:设计的空时故障诊断模型可实现航空卡箍故障的精准识别。与目前所用的深度卷积神经网络模型、门控循环单元神经网络模型、循环神经网络模型、支持向量机和误差反向传播神经网络模型等5种先进的故障诊断方法进行对比分析,所提方法对航空卡箍故障识别具有优越性。