基于逐层注意力机制的水下滑翔机渐进式异常智能诊断方法

本文提出了一种融合正交化双向长短期记忆网络(Orth-BiLSTM)和随机掩码策略的无监督学习框架，通过构建先验关联与序列关联的多注意力机制，实现了水下滑翔机(AUG)多源数据渐进式异常的精准检测与定位，平均检测率达98%以上，为海洋观测平台自主诊断系统开发提供了新思路。

　　

亮点

本研究针对水下滑翔机(AUG)长期作业中的渐进式异常，创新性地构建了基于逐层注意力机制的无监督诊断框架。通过正交化双向LSTM(Orth-BiLSTM)实现多源特征解耦，结合随机掩码编码器增强数据表征，并引入先验关联(prior-association)与序列关联(sequence-association)的双重注意力机制，采用极小极大(minimax)策略放大异常特征差异，最终通过层级注意力分布实现异常精确定位。

方法

实际调查发现异常数据表现具有多样性，需筛选能反映渐进式异常的特征数据。研究采用三阶段处理流程：1)通过滑动窗口分割时序数据；2)利用正交化BiLSTM消除特征间强相关性；3)在编码器-解码器结构中整合随机掩码策略，通过重构误差构建异常评分函数。特别设计了包含空间和时间维度的双重注意力模块，其中先验注意力捕捉传感器间固有关联，序列注意力挖掘时序依赖关系。

结果与讨论

在AMD Ryzen 7-5800H/RTX 3050 Ti硬件平台上，使用PyTorch 1.12.1框架验证模型。训练采用Adam优化器(学习率0.001)，测试显示：1)对生物附着(biofouling)异常检测灵敏度达98.7%；2)对同时发生的电池衰减与舵机磨损复合异常仍保持96.2%识别率；3)相较传统VAE-LSTM方法，本模型误报率降低42%。

结论

该逐层注意力机制框架成功实现了AUG渐进式异常的检测与定位，通过正交化处理和源解耦策略有效解决了多源数据耦合问题，随机掩码机制增强了特征多样性。创新的极小极大策略显著放大了异常关联差异，为后续异常处理提供了可靠依据。

作者贡献声明

胡珊珊：方法论构建、算法实现与论文撰写；梁清伟：研究指导与经费支持；黄汉城：数据分析与论文修订；杨程：方法论支持。

利益冲突声明

作者声明不存在可能影响研究结果的利益冲突。