基于1DCNN-BiLSTM与CBAM的飞机发动机故障诊断模型
Jiaju Wu1,2, Linggang Kong1, Shijia Kang1
1Institute of Computer Application China Academy of Engineering Physics, Mianyang 621999, China.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
本研究介绍了一种先进的飞机发动机故障诊断模型,使用1DCNN-BiLSTM与CBAM. 该模型直接从原始数据中准确识别故障模式,提高运行可靠性和剩余使用寿命 (RUL) 预测.
科学领域:
- 航空航天工程 航空航天工程
- 机械工程 机械工程
- 人工智能的人工智能
背景情况:
- 飞机发动机的运行状态和故障模式随着时间的推移而演变.
- 退化趋势需要改进故障诊断方法.
- 现有的方法可能需要复杂的特征提取.
研究的目的:
- 提出一个有效的飞机发动机故障诊断模型.
- 为了从原始监测数据中直接诊断.
- 提高故障检测的准确性和可靠性.
主要方法:
- 这是一个新的模型,结合了1D卷积神经网络 (1DCNN),双向长期短期记忆 (BiLSTM) 和CBAM (通道和空间注意力机制).
- 1DCNN用于局部特征提取,CBAM用于特征权重,BiLSTM用于时间序列分析.
- 直接应用到原始传感器数据,消除了手动功能工程.
主要成果:
- 拟议的1DCNN-BiLSTM与CBAM模型在NASA CMAPSS数据集上实现了更高的分类准确性.
- 成功分类无故障,高压压缩机 (HPC) 故障和HPC和风扇混合故障条件.
- 与其他现有型号相比,表现出优越的性能.
结论:
- 开发的模型为飞机发动机故障诊断提供了强大而准确的解决方案.
- 它处理原始数据的能力直接简化了实施.
- 对提高飞机发动机运行可靠性和预测剩余使用寿命 (RUL) 的重大实际影响.


