一种基于神经网络的航空发动机剩余寿命预估方法

针对航空发动机剩余寿命预估中模型建立困难且计算精度低等问题,提出了一种基于卷积神经网络和长短期记忆神经 网络进行航空发动机剩余寿命预估的方法。利用卷积神经网络中的卷积层与池化层提取传感器数据中的特征,并依据卷积层提 取出的特征,利用长短期记忆神经网络进行时间序列预测,并使用全连接层输出航空发动机剩余寿命。在NASA的C-MAPSS提 供的涡扇发动机退化仿真数据集上对该方法进行了验证。结果表明：基于卷积神经网络和长短期记忆神经网络的航空发动机剩 余寿命预估方法,可以在保证预测精度的前提下,对航空发动机剩余寿命进行较为保守的预估,在保证资源不被浪费的情况下,尽 可能提前发出故障预警信号,从而提高飞行的安全性,进而为航空发动机健康管理系统提供有用信息。该预测方法在对称指标和 非对称指标上均优于此前提出的方法。     

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

基于KPCA-BLSTM的航空发动机多信息融合剩余寿命预测

复杂航空发动机在运行过程中易出现多退化信息而导致寿命预测不精确的问题,为此提出基于核主成分分分析（KPCA）和双向长短时记忆（BLSTM）神经网络的多信息融合寿命预测模型。首先采用KPCA 对多维退化数据集进行降维处理和信息融合,得到能够表征设备退化的低维特征数据集;然后利用BLSTM 神经网络模型对带有多维退化信息的航空发动机剩余寿命进行预测,得到监测数据与剩余寿命的映射关系;最后采用C-MAPSS 航空发动机退化数据集对提出的多信息融合寿命预测模型进行仿真验证,并与其他三种模型结果进行对比。结果表明：KPCA-BLSTM 能够对多维退化信息下的剩余寿命进行精准预测,本文提出的预测模型的误差与得分优于其他三种模型,而且预测精度更高。     

多特征注意力的航空发动机剩余寿命预测模型

航空发动机性能退化趋势复杂,适时地对其进行剩余寿命预测和检修维护十分重要。提出一种基于多特征注意力的膨胀卷积网络模型来预测航空发动机剩余使用寿命,利用膨胀卷积增强提取序列数据时序信息的能力,同时建立残差连接以改善传统卷积网络中的梯度消失问题。首先采用定长滑动时间窗沿时间维度截取数据,对数据进行重构;再对每个特征对应的时间序列单独应用膨胀卷积提取时序信息;引入特征注意力机制计算各特征之间的相对重要性;在公开的航空发动机数据集上进行验证,并对比现有的主流预测方法。结果表明：该模型在时间序列数据预测方面有着更高的精度。     

基于CNN 与BiLSTM 的退化设备剩余使用寿命预测

针对DC-DC 变换器难以建立物理退化模型的问题,提出了一种基于卷积神经网络和双向长短期记忆 神经网络的剩余寿命预测算法。首先,通过对DC-DC 变换器中关键器件进行失效模式分析,得到DC-DC 变换 器的失效特征参数;然后,采用卷积神经网络对多传感器信号进行融合和特征提取,获得百分比指数退化指标; 其次,将获得的健康指标输入到融合注意力机制的双向记忆神经网络中,利用注意力机制对输出结果进行加权 融合,利用不同的权重值优化预测模型,最后,利用蒙特卡洛丢弃法获得剩余寿命的区间估计,并通过仿真数 据验证了所提出方法的有效性。     

基于深度学习的滑油监测方法研究

针对传统的数据特征提取方法难以提取航空发动机滑油监测数据有效特征的缺陷,提出了一种基于多尺度卷积神经网络(Multi-scales convolutional neural network,MSCNN)、长短期记忆(Long short-term memory,LSTM)神经网络和BP网络的单通道网络模型MSCNN-LSTM-BP。将多尺度学习融入CNN,MSCNN和LSTM以串行方式提取数据在空间维度和时间维度的二维特征。实验结果表明:3尺度的MSCNN-LSTM-BP对数据样本的分类准确率达到98.2%,单组电容数据采集测试时间仅为2.1986ms,综合分类率F1达到98.57%,总体性能优于CNN,LSTM和传统的多尺度特征提取方法。MSCNN-LSTM-BP满足航空发动机滑油监测对于实时性和准确性的要求,具有良好的适用性。     

基于工况聚类和残差自注意力的发动机剩余使用寿命预测

针对多工况的航空发动机剩余使用寿命（RUL）预测精度较低的问题，本文提出了一种基于工况聚类分析和残差自注意力的发动机剩余使用寿命预测方法。首先，通过聚类将不同的工况进行划分，并构建线性回归分析模型筛选出符合发动机性能变化的退化参数；其次，通过卷积神经网络，获取数据中隐含的发动机性能退化特征；再次，利用双向长短期记忆神经网络挖掘时序退化特性并对其进行记忆；最后，结合残差自注意力机制对退化特征分配不同的权重来实现发动机剩余使用寿命预测。在美国国家航空航天局（NASA）的C-MAPSS多工况数据集上进行了消融试验，验证了该方法的有效性。结果表明，该方法评分和均方根误差均最优，可为发动机剩余使用寿命预测提供一定的参考。     

基于多头注意力机制的飞机发动机寿命预测研究

针对飞机发动机监测参数多和预测模型不能充分提取监测数据的有效信息等问题,基于一维卷积神经网络（1DCNN）、时序卷积神经网络（TCN）和多头注意力机制,提出一种新的网络结构以实现飞机发动机剩余寿命的准确预测。对多维特征参数分别建立一个1DCNN-TCN模型,利用两层1DCNN对飞机发动机的多元传感器信号进行特征提取,利用TCN对特征量的时序信息进行记忆,通过多头注意力机制对多个1DCNN-TCN的输出分别进行加权处理,并拼接最终结果。分析结果表明,采用本文方法得到的RMSE和Score值比目前文献中最优值分别降低了6.84%,63.41%。该方法显著提升了飞机发动机剩余寿命预测的准确性。     

基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

基于CDBN与BiLSTM的多元退化设备剩余寿命预测

基于多传感器对复杂工业设备的多元健康状态进行监测,进而实现设备更全面准确的性能评估、剩余寿命预测与健康管理已逐渐推广应用。针对一类监测数据呈现大规模、非线性、高维化等特点的多元退化设备,提出了一种基于连续深度置信网络(CDBN)与双向长短期记忆(BiLSTM)网络的剩余寿命预测方法。首先,通过CDBN对监测到的性能退化数据进行分析,提取出反映多元退化设备隐含深层次特征的健康指标;然后,根据构造的健康指标,利用BiLSTM网络挖掘其时序信息和退化趋势,预测多元退化设备的剩余寿命;最后,利用蒙特卡洛仿真技术得到剩余寿命的区间估计,并通过商用模块化航空推进系统数据集验证所提方法的有效性和先进性。结果表明：所提方法能够有效提高此类设备的剩余寿命预测准确度,具有潜在的应用价值。     

采用BP网络辨识航空发动机数学模型

运用ＢＰ网络和实测数据作为学习样本，对某型航空发动机的数学模型进行了辨识研究。辨识模型输出的结果与实测数据比较误差较小。这种方法收敛速度快、精度高，结果表明用ＢＰ网络辨识方法能够得到比较精确的发动机数学模型。     

基于深度学习的飞行载荷测试与反演方法研究

飞行载荷测试技术对飞机的载荷设计、强度试飞以及寿命监控等有重要的意义。为了实现复杂翼结 构气动载荷的实时在线分布测试,提出基于精细化有限元仿真数据驱动的载荷反演方法;使用深度学习方法建 立神经网络代理模型,通过有限元方法构建典型载荷下的结构响应数据集,对模型进行训练;将基于深度学习 方法的翼面载荷反演结果与有限元计算结果进行对比验证。结果表明:总载荷的平均误差约为0.2%,压心位 置误差约为1%,该方法可以使用少量的应变测点数据对整个翼面结构的载荷分布实时反演与重构。     

基于导波原位检测的复合材料疲劳表征与寿命预测研究

随着复合材料在先进飞行器结构中占比的逐渐增加,复合材料在服役过程中力学性能的变化对飞行器整体的安全至关重要。为了实现基于导波原位检测的飞行器复合材料整体部件疲劳评估和寿命预测,首先,从宏观和细观的角度研究复合材料疲劳损伤演化规律;在此基础上,通过分析导波波场信息,探究导波相速度、模态能量比等特征在表征复合材料疲劳方面的潜力;其次,从复合材料损伤机理出发,建立导波相速度与疲劳损伤累积的演化模型;然后,构建深度学习框架,以数据驱动的方式从导波波场中提取疲劳演化特征;最后,提 出基于贝叶斯模型平均方法的疲劳演化模型,对复合材料剩余疲劳寿命进行预测。结果表明：通过提取和分析导波特征信息,可以准确地对复合材料疲劳状态进行表征,结合贝叶斯模型平均方法和置信区间准则,实现了在试件疲劳破坏之前的剩余寿命预测。     

Intelligent modeling and identification of aircraft nonlinear flight

In this paper, a new approach has been proposed to identify and model the dynamics of a highly maneuverable fighter aircraft through artificial neural networks（ANNs）. In general, aircraft flight dynamics is considered as a nonlinear and coupled system whose modeling through ANNs, unlike classical approaches, does not require any aerodynamic or propulsion information and a few flight test data seem sufficient. In this study, for identification and modeling of the aircraft dynamics, two known structures of internal and external recurrent neural networks（RNNs） and a proposed structure called hybrid combined recurrent neural network have been used and compared.In order to improve the training process, an appropriate evolutionary method has been applied to simultaneously train and optimize the parameters of ANNs. In this research, it has been shown that six ANNs each with three inputs and one output, trained by flight test data, can model the dynamic behavior of the highly maneuverable aircraft with acceptable accuracy and without any priori knowledge about the system.     

A hybrid deep neural network based on multi-time window convolutional bidirectional LSTM for civil aircraft APU hazard identification

Safety is one of the important topics in the field of civil aviation. Auxiliary Power Unit(APU) is one of important components in aircraft, which provides electrical power and compressed air for aircraft. The hazards in APU are prone to cause economic losses and even casualties. So,actively identifying the hazards in APU before an accident occurs is necessary. In this paper, a Hybrid Deep Neural Network(HDNN) based on multi-time window convolutional neural network-Bidirectional Long Short-Term M...     

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTMAttention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征;其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力;最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTMAttention模型具有更高的预测精度,证明了该方法的有效性。     

一种航空发动机运行可靠性评估方法

航空发动机运行过程中,可靠性评估是航空发动机可靠性评估领域的关键问题之一,而合理的评估方法能够提高可靠性分析的效率和精度,因此本文提出一种支持评估飞机任务过程中航空发动机运行可靠性的方法。结合飞行任务特点和航空发动机工作特性,以快速存取记录器信息为分析数据,考虑当前运行环境、飞机瞬时状态、发动机当前工作状态 3 类因素对运行可靠性进行分析;将随机森林算法与分层抽样法结合对数据进行拟合、预测并计算特征重要度;以 B737-800 机型一次北京—乌鲁木齐的飞行任务为例,对方法的有效性和可行性进行验证。结果表明：本文提出的可靠性评估方法解决了航空发动机运行过程中数据量大、维度高导致的数据处理困难问题。     

自组织神经网络航空发动机气路故障诊断

 为克服学习样本依赖于发动机精确模型的问题,提出了一种基于自组织神经网络的发动机智能故障诊断的方法,并运用故障特征提取的数据预处理方式,成功地对航空发动机气路部件的几种典型故障做出正确诊断。为验证网络的抗噪性能,引入了自联想神经网络。研究表明,自组织网络可以脱离发动机模型,并且对测量噪声有良好的鲁棒性,能基本满足航空发动机故障诊断的要求,具有较好的工程应用前景。