航空电子模块故障诊断算法 基于混合注意力 适应性多尺度时间卷积网络

科学领域:

• 航空航天工程 航空航天工程
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 航空电子模块的可靠性对飞机安全至关重要,需要有效的故障诊断和健康管理 (PHM).
• 现有的深度学习PHM方法在效率低下的特征提取,有限的概括以及缺乏特定的航空电子故障数据方面扎.

研究的目的:

• 解决目前深度学习PHM方法对航空电子模块的局限性.
• 为航空电子集成功能电路开发一种新,准确和可通用的故障诊断方法.

主要方法:

• 使用故障注入来模拟各种航空电子模块故障,然后进行数据增强以创建专门的数据集.
• 提出了一种混合注意力自适应的多尺度时间卷积网络 (HAAMTCN),具有自适应的卷积内核大小,用于高效的特征提取.
• 该HAAMTCN集成交互通道注意力 (ICA) 和层次块时间注意力 (HBTA),以专注于关键通道和时间信息.

主要成果:

• 构建的P2020通信处理器故障数据集使得强大的模型训练成为可能.
• HAAMTCN在从高信息航空电子故障信号中提取特征方面表现出卓越的性能.
• 拟议的HAAMTCN在航空电子元件模块故障分类中实现了99.64%的高精度.

结论:

• 与现有的方法相比,HAAMTCN方法显著提高了航空电子模块故障诊断的准确性和效率.
• 该研究成功地解决了基于深度学习的航空学PHM数据稀缺和特征提取限制的挑战.
• 开发的方法提供了一个有希望的解决方案,通过先进的故障管理来提高飞机的安全性和可靠性.