基于深度学习的飞行器故障不确定性评估与预测研究

The operational conditions of aerial vehicle key parts change frequently and the load environment is complicated and variable, which lead to aerial vehicle parts fault uncertainty. Aerial vehicle key part fault usually is disaster. Aerial vehicle fault prognosis and health management always is the research focus. This project aims at the key problem of aerial vehicle key part fault evaluation and prognosis. The dynamic evolution mechanism of aerial vehicle fault uncertainty is studied. The uncertainty simulation model of aerial vehicle key part is constructed to reveal the uncertainty factors for aerial vehicle fault evaluation and prognosis. Aerial vehicle fault uncertainty measurement model based on multi-flight parameters is set up, and the integration system of uncertainty fault feature indicator vector is constructed. The deep learning model is selected based on uncertainty fault feature indicator vector, and the deep learning dynamic evaluation and prognosis algorithms for aerial vehicle fault uncertainty are constructed. The experimental verification and application for blade, aircraft wing, shaft, bearing and so on are carried out. The novel results and contribution in fault uncertainty analysis theory and aerial vehicle fault uncertainty dynamic evaluation and prognosis will be obtained. This project research will provide new theory and technology in enhancing aerial vehicle safety and reliability.

飞行器关键部件状态变化频繁和工作环境复杂多变，使得飞行器故障具有不确定性，而关键部件故障不确定性往往会导致灾难性后果，飞行器故障预测与健康管理一直是研究热点。本项目针对飞行器关键部件故障不确定性评估与预测这一难点与重点问题，探索飞行器关键部件故障不确定性机理，建立飞行器关键部件故障不确定性模型，揭示飞行器关键部件故障评估和预测中的不确定性因素；建立基于多源飞行参数信息的飞行器关键部件故障不确定性信息度量模型，构建不确定性故障特征量综合评估体系；研究基于不确定性故障特征量的特征表示和深度学习模型建立方法，构造基于学习深度方法的飞行器关键部件故障不确定性评估和预测算法。对叶片、机翼、轴、轴承等飞行器关键部件开展试验验证与应用研究。本项目研究可望在故障不确定性分析理论、飞行器关键部件故障不确定性评估与预测方法方面有所创新和突破，为提升飞行器的安全性和可靠性提供新的理论与方法。

本项目针对飞行器故障不确定性评估与预测问题，重点研究了深度学习主流模型的构造方法，构造了基于学习深度方法的飞行器关键部件故障不确定性评估和预测算法。主要研究工作和成果如下：研究了采用不同特性激活函数设计深度自动编码器，提出了基于集成深度自动编码器的无监督特征学习新方法；研究了采用人工鱼群算法的深度自动编码器智能模型，提出了基于新型深度自动编码器特征学习方法；研究了深度置信网络模型构造方法，提出了一种基于深度置信网络的智能诊断新方法；研究了采用自适应受限玻尔兹曼机构建自适应深度置信网络智能模型，提出了基于双树复小波包和自适应深度置信网络的故障诊断方法；研究了建立实值型的深度卷积受限玻尔兹曼机模型学习初级特征数据的深度特征，提出了基于新型卷积深度置信网络的智能故障诊断方法；研究了采用降噪编码器和压缩编码器构造混合深度自动编码器学习数据中的有用特征，提出了基于增强深层特征融合的故障识别方法；研究了采用粒子群优化算法优化设计卷积神经网络模型，提出了基于优化卷积神经网络的故障诊断方法；研究了采用遗传算法优化连续深度置信网络的关键参数，提出了基于连续深度置信网络的故障预测方法；研究了采用随机梯度下降算法微调整个深度网络模型的连接权值和粒子群算法优化模型的结构和参数，提出了基于优化深度置信网络的故障诊断方法；研究了构建长短时记忆循环神经网络的前向过程和反向传播过程，提出了深度长短时记忆循环神经网络智能故障分类器构造方法；开展了变工况齿轮箱故障机理仿真建模和变工况轴承故障机理试验研究，提出了一种基于阶次跟踪与1.5维谱的特征提取方法；研究了构造的深度特征学习方法在飞行器故障特征提取中的应用；研究了构造的深度诊断方法在飞行器故障评估和诊断中的应用；研究了构造的深度预测方法在飞行器故障预测中的应用；将深度学习和现代信号处理相结合应用于飞行器故障不确定性评估和预测。