基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory, LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。     

机载系统综合状态监测与诊断架构设计及应用

针对高度综合化、模块化机载系统高安全、高可靠与易维护的需求,提出了基于“健康管理域”的综合状态监测与诊断架构,以解决多平台、多场景条件下多层次机载系统诊断要素综合集成难题。该架构针对机载系统高集成化电路设计特点,引入软件逻辑测试与异常检测模型,提出了通用模块、功能线程和总线网络的综合状态监测方法,可实现在不增加硬件开销的前提下提升机载系统在线健康感知能力;设计了松耦合、模块化的“健康管理域”,定义了通用的健康评估与诊断模型结构,提出了机理数据融合的多模型集成算法框架,解决了机载系统多平台诊断模型知识迁移与多场景差异化模型融合应用问题;开发了图形化的健康管理显控界面和面向对象的健康管理数据库,提升了健康管理系统的界面友好性与功能可扩展性。所提架构在飞机综合模块化机载任务系统上进行了应用,为状态监测与诊断子系统开发提供了指导。