基于深度学习的军用飞机部件状态参数预测

李军亮, 滕克难, 夏 菲

(1. 海军航空大学 科研部, 山东 烟台 264001；2. 92635部队， 山东 青岛 266041；3. 国网辽阳供电公司信息通信分公司，辽宁 辽阳 111000)

军用飞机是一种复杂可修系统，其状态监测数据包含了飞机、发动机和机载设备的运行信息、操纵控制变量信息、姿态信息等等。由于采集信号的传感器种类较多，采集的数据具有种类多、数据结构各异、非线性等特点，如何有效利用飞参数据对飞机关键部件的状态进行准确预测，提高飞机的使用可靠性、飞行安全性和任务成功率，是目前急需解决的难点问题。

目前状态预测的主流算法有基于可靠性理论的预测方法、基于数据驱动的预测方法和基于时效物理模型的预测方法[1-3]。基于可靠性理论的预测方法又分为寿命分布模型的预测[4]和基于故障树预测[5]的方法等；基于数据驱动的预测又分为时间序列预测[6-9]、神经网络预测[10-13]和基于滤波的预测方法[14]等；失效物理模型主要根据产品的全生命周期和失效机理知识进行产品可靠性评估[15]。现有的预测技术在理论研究和实际应用方面已经取得了较大的进步，但是，已有的预测方法也存在诸多局限，预测过程对数学模型的依赖程度大，不能满足复杂系统的实际要求，在系统的数学模型不精确时无法获得满意的结果。并且多数预测模型属于静态模型，缺乏自学习能力，预测模型通过一次建模获得，模型参数保持固定不变，没有考虑到新增样本对模型参数的影响，对于复杂装备的预测通常出现单步预测不精确、多步预测无效的问题。……