电讯技术

作者：文佳,梁天辰,陈擎宙,钱东

单位：(中国西南电子技术研究所，成都 610036)

关键词：航空电子产品；故障预测；数据驱动；长短期记忆(LSTM)神经网络；多模型融合；

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。

来源：2023年第8期

《电讯技术》期刊编辑部

查看电讯技术杂志2023年第8期