面向离散运行条件的工业预报的多头注意力融合网络
计算机视觉与模式识别
2026-04-14 v1
摘要
飞机发动机、涡轮机及工业机械等复杂系统常常在动态变化的运行条件下工作。这些不同的运行条件会显著影响损伤行为，使预报建模更加困难，因为准确预测需要显式考虑运行效应。为此，本文提出一种新型的基于多头注意力的融合神经网络。该框架显式地模型和集成三类信号分量：(1) 反映系统底层退化的单调性损伤趋势；(2) 通过聚类识别并编码为稠密嵌入的离散运行状态；(33) 捕获传感器测量中未解释变异的残差随机噪声。该框架的核心优势在于其体系结构，将 BiLSTM 网络与注意力机制结合，以更好地捕获复杂的时间依赖性。注意力机制使模型能够自适应地为不同时间步和传感器信号赋予权重，从而提高从数据中提取预报相关信息的能力。此外，设计了一个融合模块，用于集成损伤趋势分支和运行状态嵌入的输出，使模型能够更有效地捕获它们之间的相互作用。该方法使用 NASA 数据仓库中的数据进行验证，结果表明其有效性。
引用
@article{arxiv.2604.10246,
title = {A Comparison of Multi-View Stereo Methods for Photogrammetric 3D Reconstruction: From Traditional to Learning-Based Approaches},
author = {Yawen Li and George Vosselman and Francesco Nex},
journal= {arXiv preprint arXiv:2604.10246},
year = {2026}
}