摘要
在针对航空电静力执行器的多变量时间序列故障诊断任务中，不同故障类型的整体信号形态较为相似，而关键的区分特征则隐藏在局部片段以及变量耦合的变化之中。因此，现有的基于Transformer的方法往往难以捕捉到这种局部特性。为解决这一问题，本文提出了一种局部原型-全局通用双分支Transformer（LPG-Former）。首先，为了获取能够体现类别差异的局部信息，文中构建了特定于类别的区分性原型（CDP）。该原型从每个类别的时间序列样本中选取具有区分度的时间点，以捕捉关键的局部形态变化，并构建包含与类别相关的局部差异特征的局部原型。此外，为进一步提升CDP捕捉多变量故障耦合关系的能力，文中设计了一种多变量耦合感知原型匹配策略（MCPM）。该策略将单变量原型扩展为多变量局部原型块，同时衡量局部差异性、变量相关性以及趋势一致性，从而实现具备多变量耦合关系意识的原型学习。最后，为融合局部区分信息与全局时间信息，文中构建了双分支Transformer。LPG-Former通过局部原型Transformer编码CDP与输入样本的最佳拟合子序列（BFS）之间的差异特征，再通过全局通用Transformer补充全局通用信息，从而实现协同的双分支表征。在包含八类航空电静力执行器运行状态的数据集上的实验结果表明，LPG-Former的准确率为98.74%，F1分数为98.78%，显著优于InceptionTime和TapNet等传统方法。
