交叉注意力融合网络

诊断精度逾95%

融合时频分解与全局-局部时序特征，强噪与少样本下也稳定诊断副翼故障。

Yang, Song · 张晓宇 · 郭蓉

Sensors 2026

参数信息

故障诊断准确率

95.12 %

故障诊断准确率

95.12 %

故障诊断准确率

95.12 %

故障诊断准确率

95.12 %

故障诊断准确率

95.12 %

故障诊断准确率

95.12 %

技术优势

精度超95%

在ALFA数据集上取得95.12%的准确率，超过CNN+LSTM（94.05%）和HDMTL（94.86%）。

噪声下更稳

通过VMD分解和交叉注意力融合聚焦时频判别特征，在强噪声条件下仍能保持高诊断性能。

特征融合更好

采用交叉注意力融合模块结合Transformer的全局特征与BiLSTM的局部时序特征，并引入混合池化策略增强分类鲁棒性。

应用场景

• 无人机状态监测：实时监测固定翼无人机副翼健康状态，提升飞行安全性。
• 飞行器故障诊断：针对飞行器副翼故障提供高精度诊断，减少漏检误报。
• 机械故障诊断：利用多尺度时频特征区分机械故障模式，适用于复杂工况。
• 无人机智能运维：支持基于数据驱动的预测性维护，降低非计划停机。