基于CNN-LSTM的QAR数据特征提取与预测

摘要: 针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题，提出一种融合卷积神经网络(convolutional neural network，CNN)与长短时记忆网络(long short-term memory，LSTM)的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道，通过注意力机制(attention)融合，从而使模型能同时表达数据在空间维度和时间维度上的特征，并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明，双通道融合模型与单一的CNN、LSTM相比，能够更有效地提取数据特征，模型单步预测与多步预测误差平均降低35.3%。为基于QAR数据的故障诊断提供一种新的研究思路。