EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

面向故障演化阶段的自适应 时间衰减注意力CNN-LSTM故障诊断方法

淑雅 侯

现代工程技术与实践 · 04.09.2026 · 1 (2) · 20-27

DOI: 10.65140/metp202602.9 ↗

Kurz gefasst

Fachartikel in der Zeitschrift 现代工程技术与实践, online erschienen am 04.09.2026. Verfasst von 淑雅 侯. Die Arbeit nennt 10 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

针对复杂工业过程故障诊断中多变量动态特征难以充分提取、故障初始阶段识别难度较高的问题,提出一种融合自适应时间衰减注意力机制的CNN-LSTM故障诊断方法。以田纳西伊斯曼过程标准数据集为对象,首先对XMEAS和XMV共52个过程变量进行基于训练集统计量的z-score标准化,并采用滑动窗口构造多变量时间序列样本;随后利用一维卷积网络提取局部动态特征,结合双向LSTM学习时序依赖关系;在此基础上,引入可学习时间衰减系数与门控融合机制,使模型能够自适应增强靠近诊断时刻的近期动态信息。实验分别构建稳定故障阶段和故障初始阶段两类场景。结果表明,在稳定故障阶段,所提方法取得0.9408的准确率和0.9374的宏平均F1值;在故障初始阶段,相较于标准CNN-LSTM-Attention,所提方法的准确率、宏平均F1值和平衡准确率分别提升约2.8、2.0和2.8个百分点。研究结果表明,时间衰减注意力机制能够为故障演化初期诊断提供有效时间先验,对过程工业早期故障识别具有一定参考价值。

Zitieren

APA

侯, 淑. (2026). 面向故障演化阶段的自适应 时间衰减注意力CNN-LSTM故障诊断方法. 现代工程技术与实践, 1(2), 20-27. https://doi.org/10.65140/metp202602.9

Vancouver

侯 淑. 面向故障演化阶段的自适应 时间衰减注意力CNN-LSTM故障诊断方法. 现代工程技术与实践. 2026;1(2):20-27. doi:10.65140/metp202602.9

BibTeX
@article{2026,
  author = {侯, 淑雅},
  title = {面向故障演化阶段的自适应 时间衰减注意力CNN-LSTM故障诊断方法},
  journal = {现代工程技术与实践},
  year = {2026},
  volume = {1},
  number = {2},
  pages = {20--27},
  doi = {10.65140/metp202602.9}
}
Kostenlos starten →