针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memo...针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络融合的迁移学习故障诊断方法。该方法首先应用不同尺寸池化层和卷积核捕获振动信号的多尺度特征;然后引入多头自注意力机制自动地给予特征序列中的不同部分不同的权重,进一步加强特征表示的能力;其次利用BiLSTM结构引入双向性质提取特征前后之间的内部关系实现信息的逐层传递;最后利用多核最大均值差异减小源域和目标域在预训练模型中各层上的概率分布差异并利用少量标记的目标域数据再对模型进行训练。试验结果表明,所提方法在江南大学(JNU)、德国帕德博恩大学(PU)公开轴承数据集上平均准确率分别为98.43%和97.66%,该方法在重庆长江轴承股份有限公司自制的轴承故障数据集上也表现出了极高的准确率和较快的收敛速度,为有效诊断振动旋转部件故障提供了实际依据。展开更多
针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Lon...针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Long short-term memory and ATTenTion mechanism)。首先,使用一维卷积神经网络(1D-CNN)提取初始特征;其次,依次使用图卷积网络(GCN)和双向长短期记忆(Bi-LSTM)网络分别提取空间特征和时间特征;再次,利用自注意力机制处理特征并重新分配权重;最后,输入全连接网络获得RUL预测结果。使用商用模块化航空推进系统仿真(C-MAPSS)数据集验证所提模型的有效性。实验结果显示,与先进模型相比,所提模型的Score分数在3个数据子集上取得最小值,在1个数据子集上取得次小值;均方根误差(RMSE)在1个数据子集上取得最小值,在3个数据子集上取得次小值。消融实验结果也验证了所提模型的各模块能有效提升预测精度。展开更多
该研究对基于注意力机制的长短期记忆(Attention-Based Long Short Term Memory,AT-LSTM)模型对蒸散量(Evapotranspiration,ET)模拟的可行性和有效性进行验证,以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012—2017年的每30 ...该研究对基于注意力机制的长短期记忆(Attention-Based Long Short Term Memory,AT-LSTM)模型对蒸散量(Evapotranspiration,ET)模拟的可行性和有效性进行验证,以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012—2017年的每30 min环境数据,利用不同环境因子组合构建基于注意力机制的LSTM模型,并将其与极限学习机(Extreme Learning Machine,ELM)模型、支持向量机(Support Vector Machine,SVM)模型、长短期记忆(Long Short Term Memory,LSTM)模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明:与其他3种模型相比,当输入环境因子变化时,AT-LSTM模型模拟精度变化很小,模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时,基于AT-LSTM模型的模拟效果最好,均方根误差(Root Mean Square Error,RMSE)为0.013 mm/30 min,平均绝对误差(Mean Absolute Error,MAE)为0.006 mm/30 min,相关系数(Correlation Coefficient,R)值为0.905。且无论是从小时尺度、日尺度和月尺度来看,AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下,净辐射对盐池县ET的模拟贡献程度最大,仅输入净辐射时,AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min,R为0.892。AT-LSTM模型模拟精度高,模型稳定性强,对蒸散量模拟预测具有一定的适用性,仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。展开更多
文摘针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络融合的迁移学习故障诊断方法。该方法首先应用不同尺寸池化层和卷积核捕获振动信号的多尺度特征;然后引入多头自注意力机制自动地给予特征序列中的不同部分不同的权重,进一步加强特征表示的能力;其次利用BiLSTM结构引入双向性质提取特征前后之间的内部关系实现信息的逐层传递;最后利用多核最大均值差异减小源域和目标域在预训练模型中各层上的概率分布差异并利用少量标记的目标域数据再对模型进行训练。试验结果表明,所提方法在江南大学(JNU)、德国帕德博恩大学(PU)公开轴承数据集上平均准确率分别为98.43%和97.66%,该方法在重庆长江轴承股份有限公司自制的轴承故障数据集上也表现出了极高的准确率和较快的收敛速度,为有效诊断振动旋转部件故障提供了实际依据。
文摘针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Long short-term memory and ATTenTion mechanism)。首先,使用一维卷积神经网络(1D-CNN)提取初始特征;其次,依次使用图卷积网络(GCN)和双向长短期记忆(Bi-LSTM)网络分别提取空间特征和时间特征;再次,利用自注意力机制处理特征并重新分配权重;最后,输入全连接网络获得RUL预测结果。使用商用模块化航空推进系统仿真(C-MAPSS)数据集验证所提模型的有效性。实验结果显示,与先进模型相比,所提模型的Score分数在3个数据子集上取得最小值,在1个数据子集上取得次小值;均方根误差(RMSE)在1个数据子集上取得最小值,在3个数据子集上取得次小值。消融实验结果也验证了所提模型的各模块能有效提升预测精度。
文摘该研究对基于注意力机制的长短期记忆(Attention-Based Long Short Term Memory,AT-LSTM)模型对蒸散量(Evapotranspiration,ET)模拟的可行性和有效性进行验证,以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012—2017年的每30 min环境数据,利用不同环境因子组合构建基于注意力机制的LSTM模型,并将其与极限学习机(Extreme Learning Machine,ELM)模型、支持向量机(Support Vector Machine,SVM)模型、长短期记忆(Long Short Term Memory,LSTM)模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明:与其他3种模型相比,当输入环境因子变化时,AT-LSTM模型模拟精度变化很小,模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时,基于AT-LSTM模型的模拟效果最好,均方根误差(Root Mean Square Error,RMSE)为0.013 mm/30 min,平均绝对误差(Mean Absolute Error,MAE)为0.006 mm/30 min,相关系数(Correlation Coefficient,R)值为0.905。且无论是从小时尺度、日尺度和月尺度来看,AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下,净辐射对盐池县ET的模拟贡献程度最大,仅输入净辐射时,AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min,R为0.892。AT-LSTM模型模拟精度高,模型稳定性强,对蒸散量模拟预测具有一定的适用性,仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。
