没有合适的资源?快使用搜索试试~ 我知道了~
基于多阶段注意力机制的多种导航传感器故障识别研究.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 200 浏览量
2023-02-23
16:53:46
上传
评论
收藏 723KB DOCX 举报
温馨提示
试读
11页
基于多阶段注意力机制的多种导航传感器故障识别研究.docx
资源推荐
资源详情
资源评论
全源导航系统中传感器种类和数量繁多, 在进行导航时要使用多个传感器的数据来进
行组合导航. 如果传感器发生故障, 那么将会引起导航解算错误. 因此, 在进行导航解算前,
必须先对传感器进行故障检测.
故障检测方向一直有许多学者研究, 主要分为两种方法. 一种方法是建立对应的数学
模型, 根据系统状态量之间的关系来判断传感器是否发生故障. 如张绍杰等
[1]
、Avram 等
[2]
、汤文涛等
[3]
、Sadeghzadeh-Nokhodberiz 等
[4]
都是先建立系统的数学模型, 然后对系统的
误差特性进行分析, 进而实现故障诊断. 该方法比较复杂, 需要了解系统的工作原理, 但实
际中许多系统难以抽象出数学模型, 因此应用范围比较小.
另一种方法是基于人工智能方法, 其采用特征工程与机器学习方法或深度学习进行故
障诊断. Yan 等
[5]
、Swischuk 等
[6]
和郑晓飞等
[7]
先采用特征工程进行信息提取, 然后采用机器
学习方法进行识别; Jing 等
[8]
和 Guo 等
[9]
采用深度学习的方法对原始数据进行故障检测. 一
方面特征工程比较复杂; 另一方面这些方法都侧重于对单个传感器数据的故障诊断, 且难以
准确识别出间歇性故障和渐变性故障.
针对以上研究中出现的问题, 本文基于导航数据预处理平台
[10]
, 提出了一种基于多阶
段注意力机制的编码器−解码器(Encoder-decoder)模型算法, 该算法可以利用多类传感器数
据之间的关系进行传感器的状态互检测, 不仅可以准确检测出故障传感器, 并且可以检测出
其故障类型.
1. 问题研究
1.1 问题分析
全源导航系统中有多类型、多数量的传感器, 如光纤陀螺、加速度计、GPS 接收机、
高度计、磁力罗盘、相机和激光雷达等, 每个传感器都会产生出大量的数据, 如加速度、相
对速度、绝对速度、角速率、位移、经纬度和高度等.
在载体坐标系下, 载体的加速度、相对速度、绝对速度、位移、经度、纬度和高度存
在着一定的关系. 根据组合导航基本原理
[11]
, 多数导航系统都是以惯性导航传感器为主, 与
其余类型传感器组合进行导航. 因此, 当一个传感器出现故障时, 可以利用其余的传感器数
据来进行辅助判断. 本文的研究目的是根据多个传感器数据的输入进行故障互检测, 不仅要
检测出故障传感器, 也要识别出其故障类型.
1.2 数据说明
假设有 nn 个传感器数据, 每个传感器数据经过时间同步后在单位时间内产生等数量
的数据. 本文中设输入 x=(x1,x2,⋯,xn)T=(x1,x2,⋯,xT)∈x=(x1,x2,⋯,xn)T=(x1,x2,⋯,xT)∈
Rn×T,Rn×T,其中 TT 为时间窗口, 表示每一类传感器数据的个数. 本文采用
xk=(xk1,xk2,⋯,xkT)∈RTxk=(x1k,x2k,⋯,xTk)∈RT 表示同一类传感器数据在 TT 时间段内的
数据, 采用 xt=xt=(x1t,x2t,⋯,xnt)∈Rn(xt1,xt2,⋯,xtn)∈Rn 表示在同一时刻的 nn 个传感器数
据.
对于目标传感器数据的状态, 本文利用其余传感器数据来判断其数据是否出错. 即对
于输入 x,x, 要判断这组输入数据的状态 y^y^:
y^=f(x1,x2,⋯,xT)y^=f(x1,x2,⋯,xT)
(1)
其中, f(⋅)f(⋅)是要学习的非线性关系.
传感器数据是时间序列数据, 在时间维度上存在相互依赖性, 而循环神经网络
(Recurrent neural network, RNN)具有记忆性, 可以高效地捕捉序列数据在时间上的相互依赖
性, 进而对序列数据的非线性特征进行学习, 因此采用循环神经网络来拟合其非线性关系.
2. 基于循环神经网络的故障诊断分析
循环神经网络是一类以序列数据为输入, 在序列的演进方向进行递归且所有循环单元
按链式连接的递归神经网络. 循环神经网络具有记忆性, 且可以参数共享和图灵完备, 因此
能以很高的效率对序列的非线性特征进行学习.
传统的循环神经网络具有长期依赖问题, 无法捕捉长时间跨度的非线性关系. 长短期
记忆网络(Long-short-term memory, LSTM)
[12]
增加了 3 个控制单元来对输入数据进行非线性
变换, 解决了传统循环神经网络单元会出现的长期依赖问题.
针对本文的多传感器故障诊断任务, 其故障类型有间歇型、渐变型和阶跃型三种故障
类型. 其中间歇型故障没有明确的模式和频率, 随机地出现和消失; 渐变型故障对数据的影
响随着时间推移而增大, 在故障早期难以发现. LSTM 单元虽然可以准确地捕捉传感器数据
在时间上的相互依赖性, 从而判断出数据状态; 但由于间歇型和渐变型故障的复杂性, 仅仅
使用 LSTM 单元会造成一定程度的误判. 为了解决该问题, 本文采用基于注意力机制
[13]
的
编码器−解码器(Encoder-decoder)
[14]
结构.
一方面, 采用注意力机制可以捕捉到输入数据在空间维度和时间维度上的内在关系,
从而对输入进行重构, 使模型可以更好地学习输入数据之间的相互关系; 另一方面, 编码器
−解码器结构中编码器将输入数据编码成状态向量, 解码器将状态向量解码后传输给多层感
知机
[15]
进行分类处理, 该结构在产生每一个输出的时候, 能够充分利用输入序列携带的信
息, 可以降低过拟合现象, 提高模型的整体性能.
综上分析, 对于多传感器故障诊断任务, 本文采用基于注意力机制的编码器−解码器结
构来实现, 该结构以 LSTM 为基本单元, 采用多阶段的注意力机制来构建数据之间的相互
关系, 其输出经过多层感知机进行分类, 进而判断出传感器的数据状态.
3. 多阶段注意力机制研究
对于多传感器故障诊断任务, 本文从传感器的空间维度和时间维度来研究. 在传感器
的空间维度上, 每种类型的传感器数据在同一时刻具有相互依赖性; 在时间维度上, 每一类
的传感器数据在不同时间段的数据对其余时间段的数据的状态贡献程度不一样; 因此可以
从这两个角度来判断传感器的数据状态. 本文设计的基于多阶段注意力的编码器−解码器结
构如图 1 所示. 首先, 将多传感器的数据传送给局部注意力和全局注意力机制, 用于捕捉传
感器数据在空间和时间维度上的相互依赖性; 然后将数据传输给带有时间注意力机制的编
码器—解码器模型, 其中编码器−解码器用于对数据进行状态编码和状态解码, 时间注意力
机制是为了防止编码器−解码器模型的性能会随着输入数据的长度而急剧衰减; 将解码后的
状态信息传输给多层感知机进行分类, 根据分类结果就可以确定出故障传感器和故障类别.
图 1 多阶段注意力结构图
Fig. 1 Multi-stage attention structure
下载: 全尺寸图片 幻灯片
3.1 局部注意力研究
对于所有的传感器数据, 每个传感器数据在 tt 时刻的数据不仅与其在[t,t+T][t,t+T]时
间段的数据具有相关性, 且与其余传感器数据在 tt 时刻的数据存在空间相关性. 例如 tt 时
刻的位移数据与其在[t,t+T][t,t+T]时间段内的数据具有相互依赖性, 且与 tt 时刻的速度和加
速度数据具有一定的关系. 根据该特性, 本节从空间维度上出发, 通过引入编码器模块中
LSTM 单元对应输入的前一个时刻的隐藏态 ht−1ht−1 和细胞态 st−1,st−1,构建局部注意力机
制来捕捉传感器数据序列之间的空间相关性. 局部注意力机制的结构如图 2 所示.
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3543
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- Flume进阶-自定义拦截器jar包
- Dubins曲线算法讲解和在运动规划中的使用.pdf
- 上市公司-股票性质数据-工具变量(民企、国企、央企)2003-2022年.dta
- 上市公司-股票性质数据-工具变量(民企、国企、央企)2003-2022年.xlsx
- Reeds+Shepp曲线算法讲解和实现.pdf
- 毕业设计基于SpringBoot+MyBatisPlus+MySQL+Vue的外卖配送信息系统源代码+数据库
- 词向量(Word Embeddings)是自然语言处理(NLP)领域的一种重要技术.txt
- Surfer,线性函数
- MyBatis 的动态 SQL 是其核心特性之一.txt
- 时代的sdddsddsddsd
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功