馬 帥, 吳亞鋒, 鄭 華, 緱林峰

(西北工業(yè)大學 動力與能源學院, 陜西 西安 710072)

航空燃氣渦輪發(fā)動機故障診斷系統(tǒng)是先進發(fā)動機控制系統(tǒng)和健康管理系統(tǒng)的重要組成部分。有效的故障診斷系統(tǒng)可以確保發(fā)動機安全,降低維護成本,減少重大災難發(fā)生的風險[1]。

基于性能的氣路故障診斷通常是根據(jù)發(fā)動機轉(zhuǎn)速、溫度、壓力、流量等氣路測量參數(shù)的變化判斷發(fā)動機的健康狀態(tài)?；跍y量參數(shù)預測模型的故障診斷方法是一種最常用的發(fā)動機故障診斷方法,這種方法首先通過參數(shù)預測模型的預測值和真實測量參數(shù)生成殘差信號,將測量參數(shù)特征空間轉(zhuǎn)換到殘差特征空間,然后通過殘差特征進行故障診斷,因此也被稱作基于殘差的診斷方法[2-4]。參數(shù)預測模型主要分為基于物理的預測模型[5-6]和數(shù)據(jù)驅(qū)動的預測模型[7-8],隨著健康監(jiān)測數(shù)據(jù)的積累和深度學習技術(shù)的發(fā)展,數(shù)據(jù)驅(qū)動的建模方法越來越廣泛地應用到了發(fā)動機故障診斷中。

近年來,基于動態(tài)神經(jīng)網(wǎng)絡建模的方法在發(fā)動機氣路故障診斷上得到了廣泛的應用[9-12]。Choayb等[10]提出一種基于非線性自回歸外生(Nonlinear Auto-Regression with eXogenous inputs,NARX)模糊網(wǎng)絡的發(fā)動機魯棒診斷系統(tǒng),實現(xiàn)了對發(fā)動機健康狀態(tài)的實時監(jiān)測。Amirkhani等[11]針對單軸重型燃氣輪機氣路故障,提出了一種基于NARX網(wǎng)絡建模的故障檢測與隔離系統(tǒng),該系統(tǒng)對輸入噪聲具有很好的魯棒性。從以上研究結(jié)果可知,基于動態(tài)神經(jīng)網(wǎng)絡建立發(fā)動機參數(shù)預測模型是建立發(fā)動機魯棒故障診斷系統(tǒng)的一種有效方法。然而,以上研究都針對的是發(fā)動機地面工況數(shù)據(jù)或簡單的飛行工況數(shù)據(jù),使用的建模方法也大多是靜態(tài)網(wǎng)絡模型。航空發(fā)動機飛行過程數(shù)據(jù)包含了發(fā)動機的非線性動態(tài)特性以及復雜飛行條件產(chǎn)生的噪聲干擾,為了設計可靠的故障診斷系統(tǒng),需要更精準的參數(shù)預測模型。

在機器學習領(lǐng)域,長短時記憶(Long Short-Term Memory,LSTM)網(wǎng)絡是目前解決時間序列問題方法中應用最廣泛、最有效的方法之一[13]。在語音識別[14]、手寫字體識別[15]、動作識別[16]、溫度預測[17]、壽命預測[18-19]等領(lǐng)域均有很好的表現(xiàn)。非線性動態(tài)系統(tǒng)的輸入輸出序列也可以看作一種特殊的時間序列,因此LSTM網(wǎng)絡在非線性動態(tài)系統(tǒng)辨識中也受到了廣泛的關(guān)注[20-21]。Wang[22]將LSTM應用到了動態(tài)系統(tǒng)辨識和控制器設計中,對網(wǎng)絡模型的響應速度和準確度做了詳細的研究,并取得了很好的辨識和控制結(jié)果。Zarzycki等[23]使用LSTM辨識化學反應器動態(tài)系統(tǒng),并成功應用到模型預測控制中。Jiang等[24]應用LSTM網(wǎng)絡建立了船舶操控運動模型,并驗證了模型的泛化性能和魯棒性。由以上研究結(jié)果可知,LSTM是一種有效的非線性動態(tài)系統(tǒng)建模方法。

近年來,基于注意力機制的LSTM網(wǎng)絡模型在多變量時間序列預測中得到了成功的應用,這種模型將注意力機制嵌入LSTM中,以增強LSTM的預測性能。Qin等[25]使用兩級注意力機制循環(huán)網(wǎng)絡(Dual-stage Attention-based Recurrent Neural Network DA-RNN)預測時間序列,較傳統(tǒng)RNN有較大的提升。Liu等[26]提出雙相兩級注意力循環(huán)網(wǎng)絡(Dual-Stage Two-Phase,Attention-based Recurrent Neural Network,DSTP-RNN)實現(xiàn)了多變量時間序列的長期預測。由此可知,融合注意力機制的RNN網(wǎng)絡更能有效地實現(xiàn)時間序列預測。

受上述工作的啟發(fā),本文針對航空發(fā)動機飛行過程動態(tài)數(shù)據(jù),以數(shù)據(jù)驅(qū)動的發(fā)動機氣路故障診斷為導向,提出一種用于發(fā)動機參數(shù)長期預測的特征注意力增強型LSTM(Feature Attention Enhanced LSTM,FAE-LSTM)網(wǎng)絡。FAE-LSTM以發(fā)動機飛行工況參數(shù)為輸入,預測發(fā)動機的氣路性能參數(shù)。本文詳細闡述了FAE-LSTM網(wǎng)絡的結(jié)構(gòu)以及發(fā)動機預測模型建模過程,并使用某型先進渦扇發(fā)動機動態(tài)模型模擬真實發(fā)動機對網(wǎng)絡進行了驗證。為了模擬真實的飛行過程,發(fā)動機動態(tài)模型使用商用飛機真實記錄的快速存取記錄器(Quick Access Recorder,QAR)中的飛行工況作為輸入[27]。本文采用兩個不同的數(shù)據(jù)集對模型的預測性能和應用方法進行了驗證和對比分析。首先,使用健康狀態(tài)飛行數(shù)據(jù)集驗證了模型在實際飛行工況下的長期預測性能。然后,使用發(fā)動機性能退化數(shù)據(jù)集,研究了FAE-LSTM在并聯(lián)模式和串-并聯(lián)模式兩種不同應用模式下的故障檢測性能。

1 問題描述和方法

1.1 問題描述

圖1 發(fā)動機參數(shù)預測模型在故障診斷中的應用

由圖1可知,發(fā)動機參數(shù)預測模型的作用是預測健康狀態(tài)下發(fā)動機的性能參數(shù),從而生成殘差信號。數(shù)據(jù)驅(qū)動的建模方法旨在使用歷史記錄的飛行過程數(shù)據(jù){U,Y}建立發(fā)動機健康狀態(tài)下的參數(shù)預測模型,建模過程可以描述為

Y=f(U,θ)

(1)

式中：θ為模型參數(shù)。

飛機在飛行過程中,由于飛行環(huán)境多變、工作條件惡劣等原因,記錄的飛行過程數(shù)據(jù)往往包含很多不確定性干擾,增加了建模的難度。發(fā)動機工作過程是強非線性動態(tài)過程,飛行工況覆蓋范圍廣,建立準確的、覆蓋完整飛行包線的預測模型需要大量的飛行數(shù)據(jù),這進一步增加了建模難度。針對上述難點,本文研究結(jié)合注意力機制與LSTM網(wǎng)絡的預測模型,使用注意力機制增強LSTM網(wǎng)絡的輸入特征,從而提高模型的預測性能。

此外,本文預測模型帶有自回歸結(jié)構(gòu),自回歸預測模型的應用方式也會影響最終的故障診斷結(jié)果。在故障診斷中,常用的自回歸模型應用方式有兩種,分別為并聯(lián)結(jié)構(gòu)[9,28](Parallel Mode)和串-并聯(lián)結(jié)構(gòu)[10-11](Series-Parallel Mode)。針對本文提出的FAE-LSTM網(wǎng)絡,選擇合適的應用方式也是設計故障診斷系統(tǒng)時需要考慮的問題。FAE-LSTM網(wǎng)絡的兩種應用方式如圖2所示。本文使用單分類支持向量機(One-Class Support Vector Machine,OCSVM)建立故障決策系統(tǒng),針對FAE-LSTM的兩種應用方式對故障檢測結(jié)果的影響進行研究,作為后續(xù)應用過程的參考。

圖2 自回歸LSTM網(wǎng)絡在故障診斷中的應用方式

1.2 基于改進增強型LSTM的發(fā)動機參數(shù)預測模型

(2)

在編碼器中,FA單元是一種特殊的注意力機制模塊,與傳統(tǒng)的注意力機制不同,FA結(jié)合了LSTM單元的循環(huán)結(jié)構(gòu),能夠?qū)φ麄€輸入序列在時間維度上進行動態(tài)加權(quán),如圖3(b)所示。為了更清晰地描述FA單元的計算過程,首先對LSTM單元的更新過程進行簡單的介紹。對于LSTM單元,當前時刻的隱藏狀態(tài)ht可以通過前一時刻的隱藏狀態(tài)ht-1、單元狀態(tài)ct-1以及當前時刻的輸入xt計算獲得。圖4為LSTM單元示意圖,其中包含了遺忘門、輸入門、預輸出門以及輸出門。式(3)～式(8)描述了LSTM單元的隱藏狀態(tài)從t-1時刻到t時刻的更新過程：

圖4 LSTM單元結(jié)構(gòu)示意圖

it=σ(Wiixt+Whiht-1+bhi)

(3)

ft=σ(Wifxt+Whfht-1+bhf)

(4)

gt=σ(Wigxt+Whght-1+bhg)

(5)

ot=σ(Wioxt+Whoht-1+bho)

(6)

ct=ft*ct-1+it*gt

(7)

ht=ot*tanct

(8)

圖3 FAE-LSTM網(wǎng)絡結(jié)構(gòu)示意圖

式中：Whi和bhi分別為LSTM單元中的權(quán)重和偏置;*為Hadamard乘積,即對應元素相乘。為了簡潔,將式(3)～式(8)的更新過程表示為

[ht,ct]=lstm(ht-1,xt)

(9)

(10)

(11)

使用注意力權(quán)重在特征維度上對輸入變量加權(quán),可得t時刻的加權(quán)輸入變量：

(12)

(13)

在時間維度上循環(huán)式(10)～式(13)可得FA單元的最終輸出HFA=[h1,h2,…,hn]∈Rn×Na。

2 實驗設置

2.1 發(fā)動機數(shù)據(jù)集

本文使用某型帶有齒輪箱的雙轉(zhuǎn)子渦扇發(fā)動機非線性模型仿真數(shù)據(jù)驗證FAE-LSTM網(wǎng)絡的參數(shù)預測性能。為了模擬真實的飛行過程,發(fā)動機非線性模型的輸入采用的是商用飛機QAR數(shù)據(jù)中的飛行條件(Flight Data for Tail 687)[27]。飛行條件包含了表1所示的飛行高度(ALT)、馬赫數(shù)(MN)、油門開度(PLA)和大氣溫度(T0)。圖5為一個飛行航次的飛行條件展示。在數(shù)據(jù)生成過程中,本文對真實的飛行時間進行了壓縮,壓縮為實際飛行時間的0.1倍。表2為本文用到的測量參數(shù)Y。表3所示為模型的健康參數(shù)H,通過改變對應部件的健康參數(shù)模擬發(fā)動機部件的性能退化或故障。

表2 傳感器測量參數(shù)Y

表3 健康參數(shù)H

圖5 某個飛行航次真實飛行條件展示

為了從不同的角度驗證FAE-LSTM網(wǎng)絡的性能,本文設計了兩個不同的數(shù)據(jù)集,分別為健康狀態(tài)飛行工況數(shù)據(jù)集和發(fā)動機退化數(shù)據(jù)集。首先,選取T7作為預測參數(shù),通過健康狀態(tài)飛行工況數(shù)據(jù)集驗證FAE-LSTM網(wǎng)絡在真實飛行工況下的預測性能。然后,使用退化數(shù)據(jù)集驗證FAE-LSTM網(wǎng)絡的并聯(lián)和串-并聯(lián)應用方式對故障檢測結(jié)果的影響。下面分別對每個數(shù)據(jù)集進行詳細介紹。

2.1.1 健康狀態(tài)飛行工況數(shù)據(jù)集

數(shù)據(jù)記錄了發(fā)動機每次飛行任務的工況參數(shù)和傳感器測量參數(shù),采樣時間為0.15 s,涵蓋了飛機的爬升、巡航和降落過程。為了模擬真實環(huán)境,本文對數(shù)據(jù)添加了3種不確定性干擾,分別是傳感器噪聲、環(huán)境溫度變化和由于發(fā)動機退化和維護等造成的每個飛行航次之間的發(fā)動機差異。其中測量參數(shù)的傳感器噪聲為高斯白噪聲,噪聲的標準差為信號幅值的[0.16%,0.16%,0.15%,0.13%,0.25%][30];每個飛行航次的地面溫度服從[10℃,35℃]的均勻分布;通過調(diào)整低壓壓氣機、高壓渦輪效率和流量修正因子模擬航次之間的發(fā)動機差異。數(shù)據(jù)集共包含42個不同飛行航次的數(shù)據(jù),選取其中30個飛行航次的數(shù)據(jù)作為訓練數(shù)據(jù),6個航次的數(shù)據(jù)為驗證數(shù)據(jù)集,6個航次的數(shù)據(jù)作為測試集數(shù)據(jù)。數(shù)據(jù)集覆蓋的飛行包線如圖6所示。

圖6 飛行包線

2.1.2 發(fā)動機性能退化數(shù)據(jù)集

性能退化數(shù)據(jù)集模擬了發(fā)動機的加速退化過程,記錄了24個飛行航次的數(shù)據(jù),發(fā)動機在這24個飛行航次內(nèi)從健康狀態(tài)逐漸退化到故障狀態(tài)。圖7為發(fā)動機各個部件隨飛行航次的退化軌跡。Δθ*和Δη*分別為部件的流量退化系數(shù)和效率退化系數(shù),其中發(fā)動機在前7個航次處于正常退化過程的健康狀態(tài),從第8個航次開始發(fā)動機處于故障狀態(tài)。退化軌跡的生成參考了文獻[27]和文獻[31],其中正常退化過程的健康參數(shù)退化量隨飛行航次線性增加：

圖7 發(fā)動機每個部件的性能退化軌跡

δn(t)=ant+δ0

(14)

式中：t為飛行航次數(shù);an=-0.001為健康參數(shù)的線性退化系數(shù);δ0=U(0,0.001)為初始退化量,其中U(0,0.000 1)表示在0～0.001之間均勻分布。故障階段的健康參數(shù)退化量隨飛行航次呈指數(shù)變化趨勢：

δf(t)=1-exp[a(ct)b]+δn(ts)+ξ

(15)

式中：ts為發(fā)動機從健康狀態(tài)過渡到故障狀態(tài)的飛行航次數(shù),a=U(0.001,0.002),b=U(1.25,1.35)。ξ=N(0,d)表示服從均值為0、標準差為d的正態(tài)分布,對于部件效率系數(shù)d=0.001,對于部件流量系數(shù)d=0.002。為了減少數(shù)據(jù)量,使發(fā)動機退化速度更快,本文為式(15)中的航次數(shù)t添加了系數(shù)c,使發(fā)動機退化速度變?yōu)樵瓉淼腸倍,本文選擇c=5。

該數(shù)據(jù)集用于研究FAE-LSTM網(wǎng)絡的并聯(lián)結(jié)構(gòu)和串-并聯(lián)結(jié)構(gòu)對故障檢測結(jié)果的影響。

2.2 網(wǎng)絡設置

為了驗證FAE-LSTM的性能,本文選取以下5種主流動態(tài)網(wǎng)絡作為基線模型。

SS-LSTM：狀態(tài)空間形式的LSTM網(wǎng)絡,即不使用自回歸結(jié)構(gòu),只使用飛行工況參數(shù)預測發(fā)動機性能參數(shù)。網(wǎng)絡包含2個LSTM層,每層100個神經(jīng)元節(jié)點。

NARX-NN[10-12]：NARX神經(jīng)網(wǎng)絡,網(wǎng)絡包含2個隱藏層,每個隱藏層包含100個神經(jīng)元節(jié)點,每層激活函數(shù)為ReLU函數(shù)。

AR-LSTM[17]：帶有自回歸結(jié)構(gòu)的LSTM網(wǎng)絡,網(wǎng)絡包含2個LSTM層,每層包含100個神經(jīng)元節(jié)點。

DA-RNN[25]：基于兩階段注意力機制的RNN網(wǎng)絡,RNN使用LSTM,編解碼器LSTM層的單元節(jié)點數(shù)都為100。

DSTP-RNN[26]：基于兩階雙相注意力機制的RNN網(wǎng)絡,RNN使用LSTM,編解碼器LSTM層的單元節(jié)點數(shù)都為100。

所有網(wǎng)絡模型在訓練過程中都使用adam優(yōu)化器更新網(wǎng)絡參數(shù),訓練mini-batch值設為1 024,訓練500個周期。網(wǎng)絡訓練過程的初始學習率為0.005,每隔100個訓練周期學習率減半。訓練前,使用min-max歸一化方法將數(shù)據(jù)歸一化到[-1,1]區(qū)間內(nèi)。

2.3 性能評價指標

本文采用均方根誤差(Root Mean Square Error,RMSE)、平均絕對誤差(Mean Absolute Error,MAE)、平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE)、擬合度指標(Fitness,FIT)來評價模型的預測精度。公式如下：

(16)

(17)

(18)

FIT公式如下：

(19)

3 結(jié)果分析

3.1 健康狀態(tài)飛行工況數(shù)據(jù)集的預測結(jié)果分析

3.1.1 網(wǎng)絡參數(shù)對FAE-LSTM預測性能的影響

該數(shù)據(jù)集的模型輸入為飛行工況參數(shù)[ALT,MN,PLA,T0],輸出為低壓渦輪后溫度T7。首先對FAE-LSTM模型參數(shù)敏感性進行研究,分別研究FA模塊節(jié)點數(shù)和輸入序列長度對性能的影響。分別在不同網(wǎng)絡參數(shù)下訓練FAE-LSTM網(wǎng)絡,每個網(wǎng)絡模型分別在不同初始化條件下訓練5次,并求取平均值,結(jié)果如圖8所示。由圖8可知,序列長度對網(wǎng)絡性能影響較大,而神經(jīng)元數(shù)量對網(wǎng)絡性能影響較小。序列長度至少為8時,網(wǎng)絡有較好且平穩(wěn)的預測性能。

圖8 網(wǎng)絡參數(shù)對FAE-LSTM預測性能的影響

3.1.2 對比分析

本小節(jié)對比不同動態(tài)模型在測試集上的長期預測性能,對所有網(wǎng)絡模型進行訓練,每個網(wǎng)絡模型分別在不同初始化條件下訓練5次。對帶有自回歸結(jié)構(gòu)的網(wǎng)絡模型選取序列長度n=8,表4為所有動態(tài)模型在測試集上的長期預測性能指標。由表4可知,本文提出的FAE-LSTM模型預測性能最好,較AR-LSTM預測誤差降低了24.5%,表明了使用FA提取輸入特征的有效性,結(jié)合LSTM能夠更充分地捕獲多變量時間序列的時空信息。

表4 動態(tài)模型在測試集上的長期預測性能(均值±標準差)

此外,通過表4可知,不使用自回歸結(jié)構(gòu)的SS-LSTM性能最差,表明LSTM只使用自身動態(tài)神經(jīng)元而不使用自回歸結(jié)構(gòu)很難學習到發(fā)動機的復雜非線性動態(tài)特征。采用兩階注意力機制的DA-RNN和DSTP-RNN的預測結(jié)果沒有傳統(tǒng)AR-LSTM的性能好,原因可能是兩階注意力機制使網(wǎng)絡復雜度大幅度增加,不利于網(wǎng)絡的訓練。

動態(tài)模型在測試集6個飛行航次對測量參數(shù)T7的預測結(jié)果以及預測誤差如圖9所示。在基于殘差的故障診斷方法中,預測模型對參數(shù)的預測精確度直接影響故障診斷效果。

圖9 動態(tài)模型在測試集6個飛行航次上的預測值和預測誤差

由圖9可以看出,在每個飛行航次的預測結(jié)果中,預測誤差較大的階段通常出現(xiàn)在工況變化劇烈的地方。首先,這是因為網(wǎng)絡模型缺少足夠的突變訓練數(shù)據(jù),使得動態(tài)模型在預測過程中出現(xiàn)較大誤差;其次,由于自回歸模型在長期預測過程中會產(chǎn)生誤差的累計,進一步增加了預測的誤差。觀察圖9中標記的飛行階段,工況變化劇烈的過程往往發(fā)生在飛機的降落階段,因此降落階段的預測誤差最大。相比其他動態(tài)網(wǎng)絡模型,本文所用的FAE-LSTM模型在工況突變較劇烈的降落階段的長期預測結(jié)果更準確和平穩(wěn)。

3.2 性能退化數(shù)據(jù)集的預測結(jié)果分析

本小節(jié)研究FAE-LSTM網(wǎng)絡的串-并聯(lián)結(jié)構(gòu)和并聯(lián)結(jié)構(gòu)(見圖2)對生成的殘差信號的影響。按照3.1.2節(jié)中的網(wǎng)絡參數(shù),即序列長度n=8、神經(jīng)元個數(shù)為40,使用復雜飛行工況數(shù)據(jù)集對Y=[T30,T7,Ps30,N3,Wf]這5個測量參數(shù)建立FAE-LSTM預測模型。訓練好FAE-LSTM網(wǎng)絡之后,首先分別使用串-并聯(lián)結(jié)構(gòu)和并聯(lián)結(jié)構(gòu)對性能退化數(shù)據(jù)集中24個飛行航次的測量參數(shù)進行預測,記為Ysp和Yp。然后,根據(jù)Ysp和Yp計算出殘差信號：

圖10 FAE-LSTM預測模型在兩種自回歸結(jié)構(gòu)下生成的T7測量信號的殘差值

需要注意的是,真實殘差是使用非線性模型仿真獲得。使用退化數(shù)據(jù)集中每個航次的飛行工況作為非線性模型的輸入,不添加故障和噪聲,生成健康狀態(tài)下的飛行數(shù)據(jù)。通過相同飛行工況下的健康狀態(tài)數(shù)據(jù)和退化數(shù)據(jù)即可獲得真實殘差。

串-并聯(lián)FAE-LSTM模型的反饋輸入使用的是發(fā)動機真實的測量參數(shù),由于沒有自反饋迭代過程,即使在工況變化的飛行階段,這種結(jié)構(gòu)在發(fā)動機健康狀態(tài)下的預測誤差也非常小。但是,當發(fā)動機發(fā)生退化時,FAE-LSTM模型的反饋輸入不再是健康狀態(tài)下的輸入,模型的預測過程是外插的預測。由于FAE-LSTM內(nèi)部結(jié)構(gòu)復雜,這種外插的預測過程對殘差的影響不容易通過網(wǎng)絡結(jié)構(gòu)來解釋。從圖10中的殘差值可知,外插的預測結(jié)果大幅度降低了發(fā)動機退化的故障特征。

為進一步分析兩種結(jié)構(gòu)對故障檢測的影響,本文使用OCSVM建立故障檢測系統(tǒng)。OCSVM是應用廣泛的無監(jiān)督故障檢測方法[32],只使用健康狀態(tài)下的發(fā)動機數(shù)據(jù)進行訓練,因此首先需要從數(shù)據(jù)集中抽取健康狀態(tài)的飛行數(shù)據(jù)樣本作為訓練數(shù)據(jù)。本文選取圖7所示退化數(shù)據(jù)集中第[1,2,3,5,6]航次的數(shù)據(jù)作為OCSVM的訓練數(shù)據(jù),第[4,10,12,14,15,16]航次的數(shù)據(jù)為測試數(shù)據(jù)。OCSVM的故障檢測結(jié)果混淆矩陣如圖11所示,從圖11中可以看出,基于并聯(lián)FAE-LSTM網(wǎng)絡的故障檢測結(jié)果更精確。

圖11 OC-SVM的故障檢測結(jié)果

4 結(jié)束語

為獲得更好的參數(shù)預測性能,提出了一種基于特征注意力機制增強型長短時記憶網(wǎng)絡(FAE-LSTM)的發(fā)動機性能參數(shù)預測方法,經(jīng)研究可得以下結(jié)論。

① 所提出的FAE-LSTM網(wǎng)絡針對帶有外源輸入的系統(tǒng)進行建模,結(jié)合了特征注意力機制、特征融合以及LSTM的特點,結(jié)構(gòu)簡潔且能夠充分學習到數(shù)據(jù)中的時空信息。

② 通過仿真結(jié)果可知,對比SS-LSTM、NARX-NN、AR-LSTM、DA-RNN以及DSTP-RNN等先進的動態(tài)網(wǎng)絡模型,所提出的FAE-LSTM網(wǎng)絡有更好的長期預測性能,長期預測誤差最低減少24.5%,且在工況突變的情況下更準確和平穩(wěn),表明結(jié)合了特征注意力機制的LSTM能夠更充分地捕獲數(shù)據(jù)中的非線性動態(tài)信息。

③ 對于FAE-LSTM的并聯(lián)和串-并聯(lián)兩種應用方式,故障檢測系統(tǒng)使用并聯(lián)結(jié)構(gòu)生成的殘差能獲得更好的檢測性能。