基于CNN-LSTM的QAR数据特征提取与预测

被引：103

作者：

张鹏 ^{[1
]}

杨涛 ^{[2
]}

刘亚楠 ^{[2
]}

樊志勇 ^{[3
]}

段照斌 ^{[3
]}

机构：

[1] 中国民航大学适航学院

[2] 中国民航大学电子信息与自动化学院

[3] 中国民航大学工程技术训练中心

来源：

计算机应用研究 | 2019年 / 36卷 / 10期

关键词：

深度学习; 融合卷积神经网络; 长短时记忆网络; 特征提取; 时间序列预测;

D O I：

10.19734/j.issn.1001-3695.2018.04.0214

中图分类号：

TP183 [人工神经网络与计算]; V241 [航空仪表、航空设备]; V328 [飞机飞行安全];

学科分类号：

082501 [飞行器设计]; 140502 [人工智能];

摘要：

针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题,提出一种融合卷积神经网络(convolutional neural network,CNN)与长短时记忆网络(long short-term memory,LSTM)的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道,通过注意力机制(attention)融合,从而使模型能同时表达数据在空间维度和时间维度上的特征,并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明,双通道融合模型与单一的CNN、LSTM相比,能够更有效地提取数据特征,模型单步预测与多步预测误差平均降低35. 3%,为基于QAR数据的故障诊断提供一种新的研究思路。

引用

页码：2958 / 2961

页数：4

共 10 条

[1]

基于深度学习的装备故障诊断方法 [J].

鞠建波 ;

胡胜林 ;

祝超 ;

管晗 .

电光与控制, 2018, 25 (02) :103-106

[2]

深度学习相关研究综述 [J].

张军阳 ;

王慧丽 ;

郭阳 ;

扈啸 .

计算机应用研究, 2018, 35 (07) :1921-1928+1936

[3]

深度学习在故障诊断领域中的研究现状与挑战 [J].

任浩 ;

屈剑锋 ;

柴毅 ;

唐秋 ;

叶欣 .

控制与决策, 2017, 32 (08) :1345-1358

[4]

QAR数据处理在气动力矩参数辨识中的应用 [J].

耿宏 ;

李萍萍 .

航空电子技术, 2012, 43 (03) :25-29

[5]

一种金融市场预测的深度学习模型：FEPA模型 [D].

张承钊 .

电子科技大学,

2016

[6]

飞行控制系统.[M].徐军.北京理工大学出版社.2015,

[7]

Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data.[J].Feng Jia;Yaguo Lei;Jing Lin;Xin Zhou;Na Lu.Mechanical Systems and Signal Processing.2016,

[8]

Gearbox Fault Identification and Classification with Convolutional Neural Networks.[J].ZhiQiang Chen;Chuan Li;René-Vinicio Sanchez;Dong Wang.Shock and Vibration.2015,

[9]

A fast learning algorithm for deep belief nets [J].

Hinton, Geoffrey E. ;

Osindero, Simon ;

Teh, Yee-Whye .

NEURAL COMPUTATION, 2006, 18 (07) :1527-1554

[10]

Long short-term memory [J].

Hochreiter, S ;

Schmidhuber, J .

NEURAL COMPUTATION, 1997, 9 (08) :1735-1780

← 1 →