基于LSTM分类器的航空发动机预测性维护模型

利用传感器数据进行预测性维护是航空发动机故障预测与健康管理(prognostic and health manage-ment,PHM)的关键问题.针对发动机剩余寿命预测准确性低的问题,提出基于长短期记忆网络(long short-term memory network,LSTM)分类器的预测性维护模型.LSTM分类器...     

小样本数据缺失状态下DBN舰艇编队防空目标威胁评估方法

针对海上编队防空目标威胁评估过程中样本数据量较少且易缺失、已有评估方法过多依赖专家经验以及难以进行时间序列上动态评估的问题,提出了基于约束参数学习的动态贝叶斯网络(dynamic Bayesian networks, DBN)威胁评估方法。采用AR(p)模型预测时间序列上的缺失数据,从而获得完备的小数据集样本;在此基础上,根据专家经验构建合理的参数约束模型;进一步利用贝叶斯估计进行参数学习;将学习得到的参数代入DBN中,推理求出威胁评估结果;引入效用理论对威胁评估结果进行排序。仿真实验表明该评估方法在小样本数据缺失状态下目标威胁评估的结果合理,准确性高。     

基于深度学习序贯检验的电源车故障诊断方法

针对电源车健康维护存在的问题,提出了一种基于长短时间记忆LSTM (Long Short Time Memory)网络与序贯概率比检验SPRT (Sequential Probability Ratio Test)融合的电源车故障诊断方法。该方法基于LSTM网络建立电源车的多变量时间序列模型,并引入SPRT方法进行自适应多样本故障诊断。经在电源车仿真系统上进行对比实验,结果表明LSTM诊断模型有更强的学习和映射能力,LSTM-SPRT融合的故障诊断方法,显著提高了电源车故障诊断的准确率和可靠性。     

基于脱靶量预测的飞行器反拦截机动方法

随着反导拦截技术的迅猛发展，高速滑翔式飞行器末段的生存能力受到日益严峻的考验，针对此问题提出了一种基于长短期记忆网络(long short-term memory, LSTM)的飞行器反拦截机动方法，事先规定好飞行器的机动方式，将飞行器的规避机动问题简化为机动时机选择问题。随后，以状态时间序列-拦截脱靶量为样本构建训练集，利用LSTM网络对两者的非线性映射关系进行学习。最后，利用该网络在飞行中对拦截脱靶量进行实时预测，借此进行突防时机的选择。从不同状态时序长度，不同LSTM神经元个数和不同传感器噪声水平三方面对该方法的性能进行了仿真验证和对比评价，结果表明：相比于传统的正弦、方波机动，所提机动方法能使飞行器生存概率显著提高，同时显著提高落速，具有一定的工程应用价值。     

动态贝叶斯网络在复杂系统中建模方法的研究

提出了用动态贝叶斯网络(DBN)对复杂系统进行建模的有效方法。基本思路是将扩展后的隐变量引入了DBN的演化过程中来建立马尔可夫模型,并给出了引入扩展后的隐变量的DBN结构学习算法框架。进而,利用贝叶斯概率统计方法对后续时间片的充分统计因子进行了估计,并通过当前已存在的充分统计因子和估计的充分统计因子对基于时间变化的转移概率进行了学习。原理性分析和仿真实验结果也验证了该方法的有效性。     

基于粗糙神经网络的航空电子传感器故障诊断

针对航空电子传感器系统是由多个子系统所组成的复杂大系统且很难量测系统输入,传统故障诊断方法难以评估这类系统的问题,提出了一种基于粗糙神经网络的航空传感器故障诊断方法。该方法首先运用Kohonen网络对航空电子传感器测量得到的连续数据进行离散化,然后用粗糙集理论进行知识规则的提取,最后用提取的知识作用于一步预测神经网络,用该网络预测结果与航空电子传感器实际输出进行阈值比较,进而进行故障检测。仿真实验和实际应用表明,该方法可行并能有效地检测传感器故障,且故障诊断率高。     

基于FWA-DBN的航空发电机偏心故障诊断

针对具有多并联支路绕组结构的航空发电机在偏心故障下的输出三相电压、电流故障特征差异小, 造成故障不易识别的问题, 提出一种基于烟花算法(fireworks algorithm, FWA)优化深度置信网络(deep belief network, DBN)的故障诊断方法。首先根据有限元法搭建航空发电机模型, 通过仿真获取不同静态、动态偏心故障输出数据; 然后运用FWA训练优化与极限学习机(extreme learning machine, ELM)相结合的DBN网络, 得到最佳DBN-ELM模型结构; 最后由ELM分类器进行故障诊断分类。诊断结果表明, 相较于传统的故障诊断方法, 应用所提方法进行航空发电机偏心故障诊断, 可以获得更高的准确率, 平均准确率达到99.203%。     

基于TCN-BiLSTM的网络安全态势预测

针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题，提出一种基于时域卷积网络(temporal convolution network, TCN)和双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络的预测方法。首先，将TCN处理时间序列问题的优势应用到态势预测上学习态势值的序列特征；随后，引入注意力机制动态调整属性的权值；然后，利用BiLSTM模型学习态势值的前后状况，以提取序列中更多的信息进行预测；利用粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优，提升预测能力。实验结果表明，所提预测方法的拟合度可达0.999 5,其拟合效果和收敛速度均优于其他模型。     

基于LSTM-SVR模型的航空旅客出行指数预测

航空旅客出行的情况对民用航空机场建设与运营具有重大意义，定义了一种航空旅客出行指数，运用机器学习方法对航空旅客出行指数进行预测，克服了单一预测模型精度的不足，提出一种将长短期记忆网络(LSTM)与支持向量回归(SVR)相结合的航空旅客出行指数组合预测模型，并对预测结果集进行聚类分析。以上海机场航空旅客数据为实证，验证了LSTM-SVR组合预测模型可行性与有效性，实验结果显示：LSTM-SVR组合预测模型较传统单一预测模型具有更高的精度；同时，LSTM-SVR组合预测模型与其他组合预测模型相比也有较明显优势。此外，基于K-均值算法对航空旅客出行指数进行聚类分析并给出评级，此举为机场运营管理及旅客出行提供一定的决策支持。     

基于CEEMD-CNN-LSTM的股票指数集成预测模型

为有效应对金融时间序列数据的高噪声、时间依赖性和非线性，本文构建了一种CEEMD-CNN-LSTM模型。该模型基于互补集成经验模态分解(CEEMD),以及卷积神经网络(CNN)与长短期记忆网络(LSTM),将原始金融时间序列分解重构为高频项、低频项和趋势项，同时应用CNN-LSTM模型分别对各分项进行预测，并将各分项的预测值集成为最终预测结果。为验证CEEMD-CNN-LSTM模型对金融时间序列数据预测的准确性和有效性，选取沪深300、标准普尔500(S&P500)股票指数收盘点数进行了实证分析。实证结果表明，CEEMD-CNN-LSTM模型能同时提取序列依赖关系和局部特征，可有效避免数据直接输入模型导致预测结果右偏等问题，与其他主流预测模型相比，其预测精度更高，预测误差显著降低。     

基于LSTM与1DCNN的导弹轨迹预测方法

针对弹道导弹等超远程攻击目标的轨迹难以预测的问题,提出一种基于长短期记忆(long short-term memory, LSTM)网络与一维卷积神经网络(1-dimensional convolutional neural network, 1DCNN)的目标轨迹预测方法。首先,建立三自由度导弹运动模型,依据再入类型设计3种目标轨迹数据,构建机动数据库,解决轨迹数据的来源问题。其次,采用重复分割与滑动窗口的方法对轨迹数据进行预处理。然后,基于LSTM与1DCNN设计了一种目标类型分类网络,对目标进行初步分类。最后,基于1DCNN设计轨迹预测网络,对目标轨迹进行预测。仿真结果表明,提出的轨迹预测网络能够完成轨迹预测任务,预测误差在合理范围内。     

基于LSTM的弹道导弹主动段轨迹预报

弹道导弹主动段长周期轨迹预报能够为导弹防御系统提供早期预警信息。传统的轨迹预报方法大多集中在导弹的自由段与再入段,通过解析法、数值积分法或函数逼近法推断未来时刻目标的状态。由于弹道导弹在主动段会受到多个未知作用力的影响,其轨迹预报相比自由段与再入段更具挑战性。为此,本文提出了一种基于长短时记忆(long short-term memeory, LSTM)网络的弹道导弹主动段轨迹预报方法。首先,根据导弹主动段动力学模型与弹道参数典型取值生成用于网络训练的大规模轨迹样本;其次,设计了基于深度LSTM网络的弹道导弹主动段轨迹递归预报方法;最后,与基于数值积分法、多项式拟合及反向传播神经网络的轨迹预报方法的实验对比,表明了所提方法在主动段轨迹预报上的优越性。     

基扩展模型下基于LSTM神经网络的时变信道预测方法

针对高速移动正交频分复用系统, 提出了一种基扩展模型(basis expansion model, BEM)下基于长短期记忆(long short-term memory, LSTM)神经网络的时变信道预测方法。为了降低传统BEM的建模误差, 根据高速移动环境中不同列车在相同位置处的无线信道具有强相关性的特点, 首先基于历史时刻的信道状态信息获取最优的基函数, 并利用该基函数对信道进行建模。然后, 通过LSTM神经网络对信道基系数进行线下训练与线上预测来获取未来时刻信道信息, 大大降低了计算复杂度。在线下训练中, 将网络的逼近目标设置为信道估计值, 而不是理想的信道信息, 以增强预测模型的实用性。仿真结果表明, 相比现有方法, 新方法的计算复杂度较低, 且预测精度较高。     

基于退化特征相似性的航空发动机寿命预测

针对航空发动机结构复杂、性能退化参数众多、寿命预测精度低等问题,提出了一种基于退化特征相似性的寿命预测方法。首先通过基于Relief算法的退化特征筛选、基于主成分分析(principal component analysis,PCA)的特征提取和基于核函数的特征平滑,提取低维正交多变量退化特征;然后进行特征的相似性匹配,寻找与当前样本特征片段最相似的一组历史样本中的特征片段集合,将这些片段对应的RUL信息融合并采用密度加权方法得到当前样本的寿命预测估计值;最后通〖JP2〗过美国国家航空航天局(national aeronautics and space administration,NASA)提供的航空涡轮扇发动机仿真数据集验证了该方法的有效性,其寿命预测性能高于现有几种代表性方法。     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。     

隐含非线性退化设备的剩余寿命在线预测方法

随机退化设备在实际运行中会产生非线性、隐含性等问题,对其剩余寿命预测会产生不确定性影响。现有剩余寿命预测方法尚未系统研究隐含非线性退化建模及相应的剩余寿命分布。因此,采用Wiener过程,建立了隐含双重非线性退化模型;利用设备现场监测数据,更新了隐含状态的后验分布;利用全概率公式,基于首次达到失效阈值的时间分布推导出设备剩余寿命分布;基于激光器实测退化数据设定仿真参数,对所提方法的正确性和合理性进行了对比验证。     

基于LSTM的LEO卫星链路自适应算法

低地球轨道(low earth orbit, LEO)卫星由于其传输损耗低、地面干扰小等优点成为空天地一体化网络的重要组成部分。由于星地传输链路的时延大,现有卫星通信过程无法实时地进行信息交互,导致系统无法适应信道的变化。针对这个问题,提出了基于长短期记忆(long short-term memory, LSTM)网络的信噪比(signal to noise ratio, SNR)预测方法,并利用预测的SNR调整系统的调制与编码方案(modulation and coding scheme, MCS),使其与快速变化的信道相匹配。仿真结果表明,提出的基于LSTM网络的SNR预测方法可以达到较高的准确度,并且根据预测的SNR实时调整MCS的方案大幅度地提高了系统的总吞吐量。     

基于长短时记忆网络的雷达波形设计

针对单准则设计的波形难以满足雷达多工作模式和多任务问题,联合互信息(mutual information, MI)准则和信杂噪比(signal to clutter and noise ratio, SCNR)准则,提出一种基于长短时记忆(long short-term memory, LSTM)网络的雷达波形设计方法。首先，设计了由输入层、LSTM层和输出层构成的LSTM网络。其次，将基于MI准则和SCNR准则生成的信号与相应环境信息组成训练集,训练LSTM网络。最后,使用训练完成的LSTM网络设计波形,并将所提方法生成波形的雷达性能与单准则设计的波形进行对比。为衡量雷达综合性能,提出一种新的雷达综合性能指标和目标识别率。仿真结果表明,所提方法生成信号作为发射信号时,与MI准则生成信号相比,雷达综合性能平均提升0.67%,与SCNR准则相比,平均提升1.47%,证明了该方法可兼具MI准则和SCNR准则优点,提升雷达综合性能。