基于CNN-LSTM的QAR数据特征提取与预测

作者：张鹏; 杨涛^*; 刘亚楠; 樊志勇; 段照斌

来源：计算机应用研究, 2019, 36(10): 2958-2961.

DOI：10.19734/j.issn.1001-3695.2018.04.0214

• 深度学习
• 融合卷积神经网络
• 长短时记忆网络
• 特征提取
• 时间序列预测

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。

• 单位
  中国民航大学; 自动化学院