来源：期刊VIP网 时间：
作者：张建良;韩涛;季瑞松;
单位：浙江大学电气工程学院;
摘要：针对舰船中压直流全电推进系统结构复杂度高、单元耦合性强、运行环境多变等特点造成的故障诊断准确性低和实时性差等问题，开展了基于CNN-BiLSTM-Transformer的故障诊断设计。首先，基于卷积神经网络CNN构建单点特征级联网络，开展单一时刻下故障信号空间特征的深入提取，以提升故障特征提取的有效性；其次，以双向长短期记忆网络BiLSTM为核心设计多点特征依赖网络，利用门控机制和双向时序学习机制，实现故障信号在多个时刻之间特征依赖关系的有效学习，以提升故障诊断的准确性；然后，以Transformer为核心建立序列特征并行处理网络，通过自注意力机制实现对故障特征上下文关系的精确刻画，进而利用多头注意力机制实现特征序列的并行处理，以提升故障诊断的实时性；最后，设计舰船中压直流全电推进系统故障诊断实验方案，并开展不同故障模式下的诊断性能评估。该文方法在多种故障模式下诊断准确率和实时性均优于现有的主流故障诊断方法，有助于为舰船中压直流全电推进系统的安全运行提供更有力的技术保障。
关键词：舰船;;中压直流;;全电推进系统;;故障诊断;;Transformer
基金资助：教育部新工科研究与实践项目“信息化、智能化背景下电气工程及其自动化专业的改造升级与创新实践”(E-ZDH20201612);; 浙江大学实验技术项目“舰船中压直流全电推进系统中机械与电气耦合系统高效实时故障诊断测试技术”(SYBJS202416)
