相关实验视频
Updated: Jul 11, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
435
基于并行CNN-LSTM的CHP发动机异常检测与剩余块和注意力
Won Hee Chung1, Yeong Hyeon Gu1, Seong Joon Yoo2
1Artificial Intelligence Department, Sejong University, Seoul 05006, Republic of Korea.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
检测热电联合发动机 (CHP) 中的异常对于防止故障至关重要. 一个新的并行CNN-LSTM模型与剩余块和注意力显著提高了异常检测的准确性和可靠性.
科学领域:
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 热电联产 (CHP) 发动机在极端条件下运行,增加异常和潜在故障的风险.
- 早期检测发动机异常对于确保运行可靠性和防止昂贵故障至关重要.
研究的目的:
- 通过使用传感器数据,为热电发动机引入一种新的异常检测模型.
- 为了评估一个并行的卷积神经网络-长期短期记忆 (CNN-LSTM) 架构与残余块和注意力机制的有效性.
主要方法:
- 开发一个并行的CNN-LSTM残留注意力阻塞 (PCLRA) 模型用于异常检测.
- 使用并行CNN-LSTM网络提取时空特征.
- 通过剩余块和注意力机制补偿信息丢失.
主要成果:
- 与各种混合模型相比,PCLRA模型在15个测试案例中表现出优越的性能.
- 取得了0.951 ± 0.033的宏 f1 评分,0.903 ± 0.064的异常 f1 评分,以及0.999 ± 0.002.00 的准确性.
- 评估了残余块和注意力机制对模型增强性能的贡献.
结论:
- PCLRA模型代表了CHP发动机异常检测的重大进步.
- 预计拟议的模型将提高CHP发动机的能源效率和安全性.
- 这项研究是第一个应用并行CNN-LSTM网络用于CHP发动机异常检测的研究.
