基于CGA-LSTM的传感器故障诊断方法 张帅帅.pdf

Sensor fault diagnosis method based on CGA-LSTM
Shuaishuai Zhang and Tao Zhang* are with the School of Instrumen国 南京 210096
邮箱（******@; ******@）
通讯作者：张涛（邮箱：******@）
【摘要】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-%，与 CCN和LSTM模型相
比具有更好的诊断效果。
【关键词】深度学习；CNN；LSTM；CGA-LSTM；传感器；故障诊断
种数据分析处理方法对隐含信息进行挖掘，提高故
1 引言
障诊断的精度。
多源导航系统中的设备数量繁多、结构复杂， 传统的故障诊断方法进行特征提取的手段往往
设备中的不同系统之间相互关联、相互影响。元件 是信号处理、专家经验、浅层学习，而现实中的数
中存在的潜在故障往往会引起部件与系统的故障。 据量往往较大，通过以上方法进行特征提取将难以
充分利用大量的数据，特征的选取直接影响到诊断
针对多源导航系统中的潜在故障分类与识别问题，
精度。深度学习具有多层隐含网络，可以在海量数
在系统模型和数据分布难以准确获知的情况下，基