基于改进CNN-LSTM的综合传动装置异常检测方法

作者：姚海洋,陈涛,贾然,等. 日期：2024-11-21/span> 浏览：7 查看PDF文档

摘要:针对履带装甲车辆工作环境恶劣、工况复杂多变,导致综合传动装置数据异常、检测困难等问题,提出了一种基于改进的卷积神经网络(CNN)与长短期记忆网络(LSTM)复合模型的异常检测方法。首先,使用主成分分析法(PCA)和滑动窗口对综合传动监测数据进行了降维和序列划分,提升了异常检测所用的数据质量;然后,使用改进型CNN-LSTM提取了序列数据中的空间特征,利用全连接层输出了数据类别,该方法将CNN和LSTM并联,并引入了残差连接结构,以提高网络对综合传动数据的学习能力;最后,搭建了综合传动装置的异常检测实验台,布置了多种传感器采集综合传动装置的状态数据,并对改进CNNLSTM方法的有效性进行了验证。研究结果表明:采用残差连接结构改进的并联型CNN-LSTM复合模型,在综合传动系统漏油实验数据的测试集上的异常检测准确率达到了92.7%,并且其接收者操作特性(ROC)曲线下的面积(AUC)达到了0.982,相比于传统CNN-LSTM提升了0.034。改进CNNLSTM模型具有较强的鲁棒性和泛化能力,能够为综合传动装置的数据异常检测提供一种较为可行的新方法。

关键词:机械传动装置;卷积神经网络;长短时记忆网络;残差连接;主成分分析法;接收者操作特性;曲线下的面积

中图分类号:TH132;U463.2;TJ810.1文献标识码:A文章编号:1001-4551(2024)11-1986-09


本文引用格式:

姚海洋,陈涛,贾然,等.基于改进CNN-LSTM的综合传动装置异常检测方法［J］.机电工程,2024,41(11):1986-1994.

YAO Haiyang, CHEN Tao, JIA Ran, et al. Detection method of integrated transmission system anomaly based on improved CNN-LSTM［J］.Journal of Mechanical & Electrical Engineering, 2024,41(11):1986-1994.