CN115659797B 针对航空发动机数据重构的生成对抗多头注意力神经网络自学习方法 （大连理工大学）

针对航空发动机数据重构的生成对抗多头本发明提供一种针对航空发动机数据重构训练好的样本生成器G生成样本。本发明使用生使用并联卷积和多头注意力机制充分挖掘了航2表示特征i的方差，对于缺失项，将NAN替换为0，最终得到标准化后的多元时序数据X,=为了使网络生成的数据较好拟合原始数据分布，采用机器学习算法先对X,进行预填要由生成器G和判别器D构成；生成器G由并联卷积层、全连接层、位置编码层、N层Conv1d1x1&Conv1d1x3_Linear_PositionalEncoding_NxTransformerEncoder_Conv1d1x1&Conv1d1x3_Linear(2)码，使用N层TransformerEncoder模块有效提取时序信息，最后使用并联卷积层和全连接3prepregggg2.根据权利要求1所述的一种针对航空发动机数据重构的生成对抗多头注意力神经网所述的并联卷积层和全连接层用于提取航空发动机多元数据层由Conv1d1x1和Conv1d1x3并联组成，再通过全连接层进行组合，作为后续位置编码层输所述的位置编码层用于模型能够利用序列的顺序，注入关于de(0,1.…daao-1),i=⃞:也就是说，位置编码的每个维度都对应于一个不同的正余输入；所述的N层TransformerEncoder层是由N个TransformerEncoder串联而成的一个模块，4其中MultiHeadAttention是由多个Attention模块并行拼接而来，Attention模块如5[0005]数据填补问题最早可归类于统计学领域，其核心思想就是利用一些统计学的知[0008]综合以上论述，本发明设计的基于卷积自注意力机制生成对博士后科学基金(2022TQ0179)和国家重点研发计划(2022YFF06[0011]一种针对航空发动机缺失数据的基于卷积多头注意力机制的生成对抗网络建模6处理方法相同，故以下表述中不做区分，假设航空发动机数据具有n个属性，则统一用X=[0024]1)针对航空发动机缺失数据的基于卷积多头注意力机制的生成对抗网络建模方[0025]Conv1d1×1&Conv1d1×3_Linear_PositionalEncoding_N×TransformerEncoder_[0026]所述的并联卷积层和全连接层(Conv1d1×1&Conv1d1×3_Linear入一些关于序列中标记的相对或绝对位置的信息。为此，本发明在输入中添加7[0029]所述的N层TransformerEncoder层是由N个TransformerEncoder串联而成的一个[0031]其中MultiHeadAttention是由多个Attention模块并行拼接而来，Attention模分别表示对应的未知8gggg缺失数据的航空发动机传感器数据的最大化利[0054]本实施中针对航空发动机数据重构的生成对抗多头注意力神经使用C_MAPSS实验数据中FD001数据集进行验证，C_MAPSS实验数据是一个没有缺失值的数此将原数据集中划分的test_FD001和train_FD001合并，再按发动机号为最小单位进行随9gg到填补样本的样本分布和真实样本即未缺失项样本的样本分布越来接近；更新判别器D的[0076]对缺失数据集进行步骤2，步骤3所示的预处理与预填补。这里窗口大小＝步gg样本集将原数据集中划分的test_FD001和train_FD001合并，再按发动机号为最小单位进i