基于改进注意力机制的航空发机传动机械故障诊断方法研究.pdf

基于改进注意力机制的航空发动机传动机械故障诊断方法研究

摘要

传动机械作为航空发动机中关键部件，长期处于高负荷、高速、高温等严峻工作环

境中，极易受损出现故障，轻者造成经济损失，重者导致人员伤亡。因此，为了确保人

员安全，降低维护成本，避免灾难性事故发生，对发动机中传动机械工作状态监测和故

障识别极具重要意义，对提升发动机的稳定性、可靠性和安全性有着重大作用。随着人

工智能技术的日益迭代，深度学习智能诊断技术在传动机械的故障诊断领域被广泛应用，

但其中依旧存在不足之处，故本文针对信号降噪，特征提取，参数优化，特征差异化四

类问题，以航空发动机中的滚动轴承、传动齿轮为研究对象，提出了一种基于改进注意

力机制的航空发动机传动机械故障诊断模型，详细内容如下：

针对故障信号中混有噪声导致特征提取时受干扰，影响故障分类识别的问题，本文

提出了自适应VMD信号去噪方法。首先，利用ZOA优化VMD中的惩罚参数和模态

数，从而获得原始信号的最优分解结果。然后，使用自相关函数筛选信号主导的IMF

′

分量，其余分量使用小波降噪进行二次去噪得到分量。最后，将直接筛选的IMF分

′

量与二次去噪的分量进行加和运算，获得最终降噪重构信号。

针对网络模型从输入样本中学习关键特征无侧重性、效率低，致使诊断准确率低的

问题，本文构建了一种含注意力机制的CNN模型。以ResNet50作为故障诊断模型的基

础框架，分别在模型的首尾卷积层后嵌入CBAM模块。该注意力模块能够帮助模型聚

焦于输入样本集中关键信息，给予关键信息高权重，避免无关信息的干扰，从而提升学

习效率及提取特征的有效性。

由于注意力机制的引入致使模型超参数难以精准设定，仅依靠经验定义参数值，不

但使模型泛化性降低，还增加了模型不确定性。因此，本文在含注意力机制的模型基础

上引入RUN智能算法，构成R-ACNN模型。利用RUN优化模型中的学习率Lr、Batch

size（Bs）、Epoch三个参数，在模型训练过程中使用RUN算法的全局有哪些信誉好的足球投注网站能力，自主

确定模型参数的最佳组合，从而提高模型的诊断性能。

针对振动信号特征差异弱，导致特征提取困难，故障诊断结果不理想的问题，本文

提出了R-ACGN模型故障诊断方法。具体而言，首先通过实验与振动特征分析构造出可

用于强化的具有特征信息的真实样本。随后，充分发挥ACGAN模型中生成器和判别器

的协同作用，使生成器在反复迭代训练中学习真实样本的特征分布，从而实现了对信号

特征的有效增强。最后，利用特征增强后的振动信号作为输入样本，利用R-ACNN模型

哈尔滨工程大学专业学位硕士学位论文

完成故障诊断研究。该方法不仅克服了传统方法在处理弱差异振动信号时的局限性，还

显著提升了故障诊断的准确性和可靠性。

关键词：航空发动机传动机械；故障诊断；注意力机制；深度学习；特征增强

基于改进注意力机制的航空发动机传动机械故障诊断方法研究

Abstract

Thetransmissionequipmentisanessentialcomponentoftheaircraftengineandis

vulnerabletodamageandmalfunctionsinhigh-stresssituations,includingelevated

temperatures,heavyloads,andrapidspeeds.Theseeventsmightresultinfinanciallossesor

humantragedies.Therefore,theenginetransmissionmachinerysworkingconditionmonitoring

andfaultidentificationarecrucialforensuringworkersafety,lowering