机床与液压

作者：王宏超，薛国庆，高艺源，孟凡念

单位：郑州轻工业大学机电工程学院；郑州轻工业大学河南省高端装备智能制造重点实验室；郑州轻工业大学机电工程学院；郑州轻工业大学河南省高端装备智能制造重点实验室；郑州轻工业大学机电工程学院；郑州轻工业大学河南省高端装备智能制造重点实验室；郑州轻工业大学机电工程学院；郑州轻工业大学河南省高端装备智能制造重点实验室

关键词：水下自主航行器（AUV）;改进长短期记忆网络;故障诊断;干扰抑制;注意力机制

基金：河南省科技攻关项目(252102221044;242102220025)；河南省自然科学基金项目(252300421574)；上海交通大学机械系统与振动国家重点实验室(MSV202502)

为解决由于水下环境复杂性、模糊性和随机性造成的水下自主航行器(AUV)推进器精准故障诊断难的问题，提出一种融合干扰抑制模块的卷积长短期记忆神经网络混合诊断模型。该模型采用长短期记忆网络与卷积神经网络的并行架构，能够同时捕获输入信号的时间相关与空间相关故障特征信息；在混合模型中引入一种新的线性整流函数，以提高混合模型的抗干扰能力；通过引入注意力机制，使其更好地关注关键融合特征，进一步提高混合模型的诊断性能。最后，通过实验及对比分析验证所提模型的抗干扰能力及性能优越性。结果表明：在极低信噪比（2 dB）下，该模型的诊断准确率仍高达95.96%，显著优于WDCNN、LSTM及传统CNN等对比模型；模型约在60次迭代后达到稳定，且多次实验结果显示其准确率波动小，平均准确率达99.66%；混淆矩阵与特征可视化表明，该方法能有效分离不同故障类别，分类精度高。所提混合模型通过并行提取时空特征与集成抗干扰模块，显著提升了AUV推进器在强噪声环境下的故障诊断性能。未来工作将聚焦于利用真实海洋环境数据，进一步提升模型的实用性与泛化能力。

来源：2026年第4期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第4期