基于深度学习的军用飞机部件状态参数预测

军用飞机状态监测数据具有多维性、非线性和强耦合性的特点,监测数据样本容量大、更新速率高,现有的状态预测模型难以满足工程中高精度和实时性的要求。因此如何准确、快速的预测军用飞机的状态信息是目前亟需解决的难题。基于深度学习理论和模拟退火算法构建了军用飞机关键部件的状态参数预测模型。主要研究过程由三个步骤实现:(1)选择不同任务剖面下的飞机关键部件状态信息的监测参数,以此来设计网络样本;(2)构建深度学习网络和预测模型;(3)对构建模型的检验和验证。以某型发动机在飞行过程的监测数据为例,分别将该方法和支持向量机(SVM)和ELMAN网络预测结果进行比较发现,基于DBN网络状态预测模型的预测值和实测值的平均误差小于0.04,明显小于SVM和ELMAN方法,验证了该方法在复杂系统状态信息多步预测中的有效性和可行性。