改进DRSN预警模型

故障预警鲁棒性强

基于改进深度残差收缩网络与长短时记忆网络的航空发动机故障风险预警模型，采用深度注意力机制与软阈值化，结合长短期记忆层，以实现高判别性特征提取与多故障风险精准预警。

Mao H.-Y. · 孙有朝 · 李龙彪 · Yan C.-Q.

Hangkong Dongli Xuebao/Journal of Aerospace Power 2024

参数信息

训练准确率

96.1 %

累积可解释方差贡献率

93.7 %

准确率提升幅度

4.4 %

技术优势

准确率够高

训练准确率达到96.1%，可有效识别20种潜在故障征兆，减少误报漏报。

鲁棒性更强

与其它算法相比，该模型准确率至少提升4.4%，且具有强鲁棒性，在复杂工况下更可靠。

特征提取有效

深度注意力机制和带阈值的残差收缩块被集成到DRSN中，获得高判别特征并实现软阈值化，结合LSTM层提取时序特征，从而提升预警性能。

可解释性较好

通过主成分分析重构特征，累积可解释方差贡献率达93.7%，主要成分能较好解释数据变异性。

应用场景

• 航空发动机健康管理：训练准确率96.1%，可直接用于多故障风险预警，提升健康管理水平。
• 故障诊断与预测：能识别20种潜在故障征兆，提高诊断与预测的准确性和鲁棒性。
• 旋转机械状态监测：可对多变量时间序列进行特征提取与软阈值化，实现高效状态监测。
• 工业预测性维护：通过高精度故障预警减少非计划停机，优化维护决策。
• 航空器运维决策支持：提供可靠的故障风险预警，为航空器运维决策提供参考。