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。     

基于长短期记忆网络与轻梯度提升机的航空发动机大修期内剩余寿命预测

针对航空发动机大修期内由性能主导的剩余使用寿命预测中复杂设备具有状态变量多、非线性特征严重的特点以及单 一模型面临特征提取不充分、预测精度不足等问题,提出一种长短期记忆网络（LSTM）与轻梯度提升机（LightGBM）的组合新模型 方法进行大修期内剩余使用寿命（RUL）预测。通过LSTM对原始数据进行特征提取,将LSTM的输出门中特征提取后的数据作为 LightGBM模型的输入进行RUL预测。利用NASA提供的发动机实测数据集进行了仿真试验,实现了对单个发动机的RUL预测, 并与其他6种模型预测结果进行对比,对其预测剩余使用寿命的有效性进行验证。结果表明：LSTM和LightGBM组合模型比其他 模型的预测误差显著减小,其4组数据集均方根误差仅为12.45、20.23、12.58、21.75。     

基于CNN-LSTM-attention模型航迹预测研究

以航迹预测方法作为切入点,重庆-广州航路航空器记录的ADS-B数据作为研究内容,提出了一种融合注意力机制的长时序航迹预测方法(CNN-LSTM-attention)。研究运用一维卷积神经网络对航迹数据多维特征进行提取,并将经纬度、高度、速度、航向等的多维特征向量构造成时序形式作为LSTM网络输入,通过赋予LSTM网络隐含层的权重占比并区别不同时序点隐藏层信息对未来航迹预测的影响程度来达到优化预测模型的作用。构建好的CNN-LSTM-attention模型采用Adam优化算法进行训练,LSTM和CNN-LSTM作为实验对比模型,将决定系数R²作为模型评价标准来衡量航迹预测模型的准确性。实验结果表明加入注意力机制的神经网络预测模型CNN+LSTM+attention(卷积神经网络-长短期记忆网络-注意力机制)的方法相较于其他两种,其预测精确性更高。     

基于PSO-BiLSTM神经网络的机身筒段应力预测

飞机机身部件在装配对接前，通常需要使用形状控制工装调节机身筒段形状以达到对接标准，为避免出现控形过程中筒段局部应力过大损坏机身的情况，需实时监测机身筒段应力变化，为此提出基于粒子群优化算法和双向长短期记忆（PSO-BiLSTM）神经网络的应力预测方法。通过机身筒段控形历史数据对应力预测模型进行训练和测试，采用粒子群优化算法迭代优化神经网络超参数，实验结果表明，PSO-BiLSTM神经网络凭借长记忆细胞和高模型容量优势在处理序列式数据方面具有明显优势，应力预测损失在0.3%的均方根误差范围内收敛。与竞争模型循环神经网络（RNN）、标准长短期记忆（LSTM）神经网络和双向长短期记忆（BiLSTM）神经网络相比，PSO-BiLSTM神经网络模型不仅预测结果更准确，训练效率也明显提高。     

基于ResNet-LSTM的航空发动机性能异常检测方法

为了实现数据驱动的航空发动机性能异常的智能检测,提出了一种基于残差网络（ResNet）-长短期记忆网络（LSTM）的发动机性能异常检测方法。采用发动机性能数据图像化方法,在数据降维的同时,完备保留数据的关联特征和时序特征;以残差单元构建发动机性能异常检测模型,在加深网络结构的同时,消除深层网络梯度消失问题,提高发动机性能图像空间关联特征的提取能力。同时,引入LSTM,提出基于ResNet-LSTM的发动机性能异常检测模型,通过ResNet与LSTM的融合,强化异常检测模型对时序特征的提取,提升发动机性能异常检测的准确率;通过发动机运行数据进行验证。结果表明：在训练集上,该方法的异常检测准确率为94.95%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高10.87%、8.00%、3.23%;在测试集上,该方法的异常检测准确率为92.15%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高11.81%、9.45%、3.78%。     

基于PSO-LSTM网络的航电系统故障率预测研究

为了提高航电系统设备故障率预测的精度,本文提出了一种基于粒子群算法优化的长短期记忆神经网络(LSTM)预测方法.首先该模型以历史故障率序列作为输入,然后通过粒子群算法(PSO)对长短期记忆数据网络中的关键参数进行迭代优化,最后依据优化参数建立PSO-LSTM预测模型并进行故障率时间序列预测.主要解决了传统依据个体经验选...     

基于 LSTM的飞控系统状态监控

监测飞控系统状态参数是保证无人机飞行安全的重要手段。针对无人机飞控系统的组成特点和飞行控制律,设计并构建了基于长短期记忆网络(Long Short Term Memory Network,LSTM)的飞控系统状态监控模型。首先,利用无人机历史飞参数据训练模型,建立输入飞参数据与状态参数的回归映射关系;然后,利用训练好的网络模型,实时预测飞控系统的状态参数,通过对比实测值与预测值之间的差异,实现飞控系统的状态监控。选取无人机飞参数据进行实验,基于 LSTM的算法比反向传播神经网络(BPNN)、支持向量机(SVM)预测精度高,MSE平均值分别低 0.01和 0.26,MAE平均值分别低 0.05和 0.12。结果表明,所提出的方法能够有效监控飞控系统,为无人机飞行管理决策提供数据支持。     

基于LSTM的空间机器人系统惯性张量在轨辨识

在空间机器人抓捕目标的过程中,整个系统的惯性张量会随时间变化且在目标被捕获瞬间发生突变,这会严重影响整体姿态控制的精度。针对以上问题,提出了一种基于长短期记忆（LSTM）的系统惯性张量在轨实时辨识方法。首先,对于目标捕获前后的2个阶段,利用拉格朗日方程建立了空间机器人的动力学模型;然后,基于所建空间机器人模型采用域随机化方法生成足量训练数据,并用其对由LSTM网络与多层全连接网络构建的参数辨识网络进行训练;最后,使用训练好的参数辨识网络对系统惯性张量进行辨识。数值仿真结果表明：所提方法能够精确辨识空间机器人抓捕过程中的系统惯性张量,所研究系统的主惯量平均相对辨识误差小于0.001,惯性积的平均相对辨识误差小于0.01。     

管制-飞行状态相依网络演化过程

动态、准确的管制系统运行态势预测是航空运输系统各相关单位开展协同决策的关键基础。基于航空器间的冲突情况、管制员对航空器的管控情况以及管制移交情况构建管制-飞行状态相依网络,探究、分析其演化规律,采用相关性分析和主成分分析证明了所选5项指标的合理性。设置自由飞行和固定航线飞行两种仿真场景,通过计算平均节点度、平均点强等拓扑指标的最大李雅普诺夫指数证明各时间序列均具有混沌特性,选择长短期记忆（LSTM）人工神经网络方法对各时间序列的演化规律进行预测,并与其他预测算法进行对比。仿真结果表明LSTM算法能对管制系统的演化过程进行有效的预测,且预测精度高于贝叶斯算法和支持向量机算法;在自由飞行条件下,5项指标的预测误差绝大部分在20%以内,固定航线飞行的预测效果优于自由飞行。     

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GRU的仪表着陆系统故障预测方法研究

故障预测技术在保障仪表着陆系统的可靠运行、提高空管效能等方面具有重要应用价值。结合仪表着陆系统运行特征和实际运行维护工作,提出一种基于GRU 的仪表着陆系统故障预测方法。以航向信标为研究对象,在分析其监控参数与设备运行状态之间的关系后,将监控参数作为故障特征参数;根据监控参数时间步长、时变性特征显著的特点,采用GRU 预测监控参数的未来变化趋势;根据监控参数的隶属函数计算出参数未来时刻可能发生“故障”的概率,实现对航向信标故障的预测。结果表明：基于GRU 的预测方法的相对预测精度在95% 以上。     

基于KPCA 和DBN 的航空发动机排气温度基线模型

为了给航空发动机整体性能的实时监控与健康管理提供技术手段,提出1种基于核主成分分析和深度置信网络相结合的航空发动机排气温度基线模型构建方法。以配装CFM56-7B发动机的飞机在运行过程中各系统产生的快速存取数据作为原始的数据样本,利用核主成分分析进行降维处理,选用高斯函数作为核函数,将降维后的数据作为深度置信网络的输入,建立航空发动机EGT基线模型,通过大量QAR数据验证了模型的有效性和正确性。与传统神经网络建模方法相比,所提出的建模方法不但降低了网络结构的复杂度,同时也提高了模型的精度。     

基于LSTM的飞行数据挖掘模型构建方法

提出了一种基于LSTM （Long Short Time Memory）模型的飞行历史数据挖掘模型的构建方法,此模型可以将飞行数据中有价值的目标数据自动提取出来。首先,通过滑动窗口法获得待检测数据;然后,将预先做好的训练样本数据输入到所构造的LSTM模型中进行训练,得到数据挖掘模型;最后,将待检测数据导入到训练好的LSTM模型中进行模式识别,将目标数据片段挖掘出来。结果表明,基于LSTM模型的飞行数据挖掘模型构建方法通用化程度高,可用于挖掘不同类型的目标数据,且识别率高,具有很高的工程应用价值。     

基于DKF的IMU误差预测算法

作为导航领域常用的组合导航方式,全球导航卫星系统(GNSS)/惯性导航系统(INS)组合导航在GNSS信号失锁后,由于惯性测量单元(IMU)误差随时间迅速积累,其定位结果会偏离载体真实位置,导航精度下降.针对此问题,提出了一种长短期记忆网络(LSTM)辅助的算法,称之为深度卡尔曼滤波(DKF)算法.DKF算法的核心思想是使用LSTM训练IMU误差模型,然后通过训练出的模型预测IMU误差,最后将预测的IMU误差代入IMU数据以校正导航结果.仿真结果表明:在200s测试数据上,DKF算法将误差从1.1537m/s降低到0.3746m/s.与平均预测、卡尔曼预测和最小二乘估计等方法相比,DKF算法的误差最小,具有更优越的导航性能.     

基于BP神经网络的航班需求预测模型

航班需求预测是航空公司收益管理的关键技术。BP神经网络用大量的历史数据进行学习,能够记忆复杂的历史订座规律和销售趋势,提出了一种基于BP神经网络的航班需求预测模型。通过对历史数据进行主成分分析获得该模型,用一元回归法和相关系数法对训练质量进行评估,对模型作了置信区间分析。将该模型与增量法、回归法进行了对比,具有在线预测速度快、预测精度相对较高等优点。     

Trajectory prediction in pipeline form for intercepting hypersonic gliding vehicles based on LSTM

The interception problem of Hypersonic Gliding Vehicles (HGVs) has been an important aspect of missile defense systems. In order to provide interceptors with accurate information of target trajectory, a model based on an improved Long Short-Time Memory (LSTM) network for trajectory prediction pipeline is proposed for the interception of a skip gliding hypersonic target. Firstly, for trajectory prediction required by intercepting guidance laws, the altitude, velocity and velocity direction of the target are formulated in the form of analytic functions, consisting of linear decay terms and amplitude decay sinusoidal terms. Then, the dynamic characteristics of the model parameters are analyzed, and the target trajectory prediction pipeline is proposed with the prediction error considered. Finally, an improved LSTM network is designed to estimate parameters in a dynamically-updated manner, and estimation results are used for the calculation of the final trajectory prediction pipeline. The proposed prediction algorithm provides information on the velocity vector for midcourse guidance with the effect of prediction errors on interception taken into account. Simulation is conducted and the results show the high accuracy of the algorithm in HGVs’ trajectory prediction which is conducive to increasing the interception success rate.     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。