基于GraphSage和注意力机制的飞机传感器故障诊断
Zhongzhi Li1, Jinyi Ma1, Rong Fan1
1Department of Aeronautics and Astronautics, Fudan University, Shanghai 200433, China.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
这项研究引入了一种改进的GraphSage模型,用于用于飞机传感器故障诊断的注意力机制. 这种新的方法增强了特征提取和相关性分析,从而提高了检测性能和速度.
科学领域:
- 航空航天工程 航空航天工程
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 飞机传感器的故障会带来严重的安全风险.
- 传统的深度学习方法在数据表示和用于故障诊断的特征提取方面扎.
研究的目的:
- 为飞机传感器开发一种基于GraphSage的增强故障诊断方法.
- 改进数据表示,特征提取和诊断准确度.
主要方法:
- 从堆叠的传感器信号中构建图形数据,使用K-最近邻居和半径分类.
- 采用图表采样和基于注意力的聚合来增强特征提取.
- 使用多层聚合和完全连接的层用于故障诊断.
主要成果:
- 拟议的方法在故障检测方面显著优于基线方法.
- 与现有方法相比,实现了优越的检测性能和更快的计算速度.
- 在模拟和真实飞行的飞机传感器数据上验证了有效性.
结论:
- 带有注意力机制的增强 GraphSage 模型为飞机传感器故障诊断提供了强大的解决方案.
- 该方法有效地利用传感器相关性,并改善特征提取能力.
- 在现实场景中证明了实际适用性和卓越的性能.
