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。     

基于时空特征融合的舰船航迹预测方法

针对海上舰船日益增多、海情日益复杂的严峻形势,改进舰船航迹预测方法,实现对海域态势的有效管控成为亟待解决的问题。结合舰船航迹获取简单、数量较大的显著优势,提出利用舰船航迹数据驱动的基于时空特征融合的舰船航迹预测方法。首先,联合卷积神经网络(CNN)和长短时记忆网络(LSTM)构造时空特征融合网络,充分提取舰船航迹的时空特征;然后,利用海量 AIS(Automatic Identification System)数据进行网络训练;最后,利用网络输出的航速和航向对舰船航迹进行预测。仿真结果表明,提出的网络具有准确的舰船航迹预测能力,能够适应舰船机动运动场景。与传统预测方法相比,该方法能够使预测 MSE减少 0.2~1.4,预测性能大大提高。     

基于数字地形的机场终端区离场航迹预测

高效准确的航迹预测能够掌握飞机的运行轨迹,是空管自动化与智能化领域的关键要素,旨在提高空中交通的运行能力和可预测性。针对高原机场终端区内离场航空器运行,通过挖掘大量历史数据的特征关系,提出基于长短时记忆(Long Short-Term Memory, LSTM)神经网络的航迹预测模型。此外,考虑高原机场复杂的地形环境使得离场航空器安全运行条件更为严苛,引入支持向量回归(Support Vector Regression, SVR)算法建立数字地形模型,得到离场航迹上经纬度所对应地形高度的剖面图。采用拉萨贡嘎国际机场的真实离场航迹与地形数据进行实例验证,结合地形条件对所预测离场航迹的安全性进行评估。实验结果表明：基于LSTM神经网络建立的离场航迹预测模型具有较高的精度,且离场航空器能够实现满足最小超障余度的安全运行。     

基于深度学习的辅助动力装置性能参数预测方法研究

针对传统机器学习的辅助动力装置(Auxiliary Power Unit, APU)性能参数预测方法不能充分利用参数数据间的时序性和非线性问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆(Long Short-Term Memory, LSTM)-注意力(Attention)的APU性能参数预测方法。首先,引入一维CNN,通过预处理的参数数据得到不同属性的抽象特征。然后,使用LSTM神经网络对这些特征进行记忆,并结合可以对特征状态赋予不同权重的Attention机制来实现参数预测。使用某型APU的参数数据预测未来不同步长的排气温度(Exhaust Gas Temperature, EGT)。实验结果表明,对于单步EGT的预测,CNN-LSTM-Attention模型在平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)指标上比CNN-LSTM、LSTM和简单循环神经网络(Simple Recurrent Neural Network, Simple RNN)模型分别降低了15.2%、32.5%、60.3%,在均方根误差(Root Mean Square Error, RMSE)指标上分别降低了7.3%、11.6%、32.9%。同时它在多步EGT的预测中具有较高的预测精度,证明了该方法的有效性,为短期APU性能变化趋势预测提供一定的参考。     

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。     

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MHSA和C- BiGRU的航班延误预测研究

针对普通神经网络预测人为因素造成的航班延误能力不足的问题,提出了一种基于多头自注意力机制和卷积双向门控循环单元的预测模型(MHSA-C-BiGRU)对航班延误问题进行研究。模型采用卷积双向门控循环单元(C-BiGRU)提取局部信息和上下游数据的时序信息,利用多头自注意力机制(MHSA)的并行能力从不同位置提取数据内部之间的特征,强化重要信息的权值,使模型聚焦到对当前任务更重要的信息,从而增强模型分析人为因素造成的航班延误的能力。研究使用2018年上海浦东机场的航班数据和气象数据。结果表明,预测模型相对于基础模型的预测准确率提高了4.4%,各项宏平均值有8%的提高,各项权重平均值有5%的提高。     

基于深度学习的突防控制博弈对象匹配方法CSCD

针对基于博弈理论设计应对多枚拦截弹的协同突防控制方案时需要确定博弈对象的问题,提出了一种基于长短时记忆(LSTM)网络的拦截弹攻击对象匹配方法。基于传统防空导弹飞行时序与流程构建拦截弹飞行轨迹库,以轨迹库为训练样本对LSTM网络进行训练,并以此为基础构建航迹预测模型与对象匹配模型,实现对拦截弹攻击对象的识别。仿真结果表明,该方法能够有效识别拦截弹拦截目标,为后续的巡航弹突防研究提供支撑。     

基于递归径向基神经网络的航空发动机盘腔瞬态壁温预测

针对航空发动机空气系统盘腔瞬态壁温动态预测难的问题,提出了一种基于径向基神经网络的递归预测模型。通过时序数据多维重构的方法建立训练样本,强化径向基神经网络对“时滞性”的预测能力,分析了模型固有超参数和由多维重构引入抽样控制参数对模型预测精度的影响。采用简化的典型盘腔壁面换热模型结合公开的试验历程转速数据,构建了供模型训练和测试的瞬态壁温数据样本,以递归调用模型的方式完成了对测试样本时序数据的预测和验证。结果表明,与常规的径向基神经网络预测模型相比,该模型的平均相对预测偏差由3.0%降低至0.45%,有效提升了模型的预测精度。为航空发动机盘腔瞬态壁温异常监控及超温排故问题提供了一种新的预判方法。     

不确定航迹自适应预测模型

针对现有航迹预测技术中，存在无模技术缺乏理论分析支持、能力有限、适用范围窄、有模技术先验假设过多、前提条件严苛、通用性差等问题，通过理论推导，利用循环和多层神经网络结构，研究提出了具有理论严谨、先验假设少、适用范围广、通用性强等优点的不确定航迹自适应预测模型，同时给出了典型的实现方法。该模型克服了现有航迹预测方法的缺点与不足，并具有无模与有模两类技术的优点与长处，仿真和实测实验验证表明：该模型能很好地提取识别出数据中存在的模式，并基于模式，进行正确有效地预测，能有效解决不同实际环境中的航迹预测问题，效果明显。     

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。     

基于时序数据-BP神经网络的电力能耗分析研究

为了更好地对电厂中机组的能耗问题进行分析研究,根据电厂不同工况的参数指标,建立电力企业能耗仿真BP神经网络模型。归一化处理电厂运行过程中各类传感器采集的数据,采用负荷、环境温度、排烟温度、背压、含氧量等指标,并加入时序历史能耗作为输入参数;利用电力企业短时能耗作为输出参数;通过采用不同时间窗口的连续时序能耗参数指标和热力学相关参数作为输入,在神经网络中不同中间层的隐层节点数下进行仿真实验。结果表明,基于时序历史能耗数据的电厂指标参数在包含21个隐层节点数的BP神经网络模型上能够在线仿真出精度较高的短时供电能耗数据。所建的电力能耗预测模型将为后续电厂的节能减排、负荷优化,提供理论参数支撑。     

基于融合神经网络的航空发动机剩余寿命预测

航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。     

多源数据融合与改进注意力机制的轴承智能故障诊断

单一传感器信号不能全面表达机械设备的运行特征且容易受到自身品质、性能的影响,为此本文提出了一种多源数据融合与改进注意力机制相结合的滚动轴承智能诊断方法。采集不同位置的传感器振动信号作为模型的输入向量,每一个传感器信号作为一个通道,将多通道信号同时送入模型特征输入层;引入改进注意力机制建立各通道和空间动态权重参数,随着模型训练,不断增强故障特征、弱化无用特征;运用深度卷积神经网络模型的卷积、池化等操作将多传感器信号进一步融合并提取故障特征,输出诊断结果。在进行滚动轴承故障诊断实验时,该方法诊断准确率达到100%,高于准确率最佳值为97.42%的单传感器。与其他方法相比,本文方法可以自适应融合多传感器数据以满足诊断任务的要求,具有良好的自适应性和鲁棒性,为滚动轴承的故障诊断提供了一种可行的方法。     

基于长短期记忆网络时序数据趋势预测及应用

为了研究状态监测大数据对设备运行状态的估计和预测,提出了一种人工经验与主成分分析相结合的长短期记忆网络方法（AEPCA-LSTM）,利用运行过程中的监测时序数据对设备运行趋势进行预测。首先,通过基于人工经验的主要成分分析方法（AEPCA）从状态监测系统中提取与目标变量最相关的状态变量作为输入;其次,利用长短期记忆网络（LSTM）对目标变量趋势变化进行预测,并考虑运行过程中新数据样本的持续产生,对模型进行定期更新,以提高模型的动态适应性。最后,将所提出的方法应用于船舶副机系统的涡轮增压器转速预测中,结果表明该方法相对于传统的PCA-LSTM和LSTM,具有更小的预测平均误差0.18037,即展现了其在时序数据趋势预测的优势。     

民用航空器四维航迹预测技术综述

民用航空器四维航迹预测是保障飞行安全、提升运行效率、缓解航班延误、倡导绿色飞行的有效支撑和重要保证.四维航迹预测的研究集中于如下领域:预测结构与流程、预测模型与方法、误差分析与精度提升,其中航迹预测模型与方法是核心,主要包括混合估计模型、质点运动模型与机器学习方法.最后,总结与提炼开展民用航空器四维航迹预测研究的思路和热点,并相应指出了未来的研究方向.     

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。     

基于声学信号与视觉转换器的滚动轴承故障诊断方法研究

航空机载设备的可靠性对航空运输安全至关重要。针对航空机载设备上的滚动轴承故障，本文提出一种声学信号与视觉转换器（ViT）相结合的滚动轴承故障诊断方法。首先，将采样获得的滚动轴承声信号通过短时傅里叶变换转换为时频图。其次，将时频图按时序分割，作为ViT的输入。ViT通过多注意力机制提取图像块中的信息并输出数据。最后，输出数据通过多层感知机实现对不同类别的滚动轴承故障识别。试验表明，相较于传统的基于卷积神经网络和长短时记忆网络的滚动轴承故障诊断方法，本文所提方法的滚动轴承故障诊断准确率更高，为航空机载设备的轴承故障诊断提供了一类新方法。     

基于高空风修正的四维航迹优化算法

航迹预测是基于航空器航迹运行的核心技术,也是空中交通流量管理的基础技术。结合航空器飞行速度数据与航段飞行时间数据,分析高空风对航空器飞行时间的影响。基于GRIB2格式风数据,建立高空风修正模型,提出一种四维航迹优化算法进行航迹预测。利用中南区域实际航班飞行数据进行算例仿真,并与实际雷达飞行数据进行对比。对比结果表明,预测飞行时间总误差分别减少了7%和16.4%,从而验证了模型的有效性与正确性。