文献类型：期刊文章

作　　者：张鹏[1] 杨涛[2] 刘亚楠[2] 樊志勇[3] 段照斌[3]

Zhang Peng;Yang Tao;Liu Yanan;Fan Zhiyong;Duan Zhaobin(College of Airworthiness,Civil Aviation University of China,Tianjin 300300,China;College of Electronic Information & Automation,Civil Aviation University of China,Tianjin 300300,China;Engineering Training Center,Civil Aviation University of China,Tianjin 300300,China)

机构地区：[1]中国民航大学适航学院,天津300300 [2]中国民航大学电子信息与自动化学院,天津300300 [3]中国民航大学工程技术训练中心,天津300300

出　　处：《计算机应用研究》

基　　金：国家自然基金民航联合研究基金重点支持项目(U1533201);中央高校基本科研业务费专项资助项目(3122016D006)

年　　份：2019

卷　　号：36

期　　号：10

起止页码：2958-2961

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题,提出一种融合卷积神经网络(convolutional neural network,CNN)与长短时记忆网络(long short-term memory,LSTM)的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道,通过注意力机制(attention)融合,从而使模型能同时表达数据在空间维度和时间维度上的特征,并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明,双通道融合模型与单一的CNN、LSTM相比,能够更有效地提取数据特征,模型单步预测与多步预测误差平均降低35.3%,为基于QAR数据的故障诊断提供一种新的研究思路。

关 键 词：深度学习  融合卷积神经网络  长短时记忆网络  特征提取 时间序列预测

分 类 号：TP277]