基于CGA-LSTM的传感器故障诊断方法
针对多源导航系统故障诊断方法，深度学习已经得到了广泛的应用.卷积神经网络(CNN)和长短时记忆网络(LSTM)作为两种典型的模型，在故障诊断领域已经应用的比较成熟.但是，利用CNN实现对未知复合故障的诊断在精度上仍有待提高.LSTM对前后联系的时间信号更加敏感，但是其隐含层神经元的数量具有随机性，诊断精度仍需进一步提高.为了有效的解决以上问题，本文提出CGA-LSTM模型，首先利用CNN对数据进行特征提取，然后与LSTM模型相结合，并采用遗传算法(GA)对LSTM网络中关键的超参数进行优化，进一步提高了故障诊断的精度.仿真结果表明，利用CGA-LSTM模型进行多源导航系统中传感器故障诊断的准确率可达到92.32％，与 CCN和LSTM模型相比具有更好的诊断效果.
深度学习 CNN LSTM CGA-LSTM 传感器 故障诊断
张帅帅 张涛
东南大学 仪器科学与工程学院 微惯性仪表与先进导航技术教育部重点实验室 中国 南京 210096
国内会议
北京
中文
1-5
2022-12-01（万方平台首次上网日期，不代表论文的发表时间）