长短周期记忆网络微调的氧气浓缩器寿命预测模型迁移

针对寿命预测模型迁移问题,提出了一种长短周期记忆网络微调(long short-term memory fine tune, LSTM-fine-tune)的迁移模型,利用理想条件下的试验数据对模型进行训练。在迁移过程中,对部分LSTM网络层进行冻结,利用实际服役环境下的数据对网络其他部分进行修正。为验证模型的泛化能力,采用不同相位与幅值的正弦函数生成数据,通过学习数据获取正弦函数的经验知识,并应用至其他正弦函数的回归,结果表明LSTM-fine-tune模型能够快速拟合,平均均方误差仅为1.033 5,明显低于直接预测误差1.536 8。为通过实际监测数据检验本方法泛化能力,分别获取了试验条件下与实际服役环境下氧气浓缩器的数据,对模型的泛化能力进行验证。结果表明,迁移后训练集预测精度提高了43.0%,测试集预测精度提高了20.2%。     

机载燃油泵性能退化试验研究

为了获取刻画燃油泵退化规律的退化数据,提出机载燃油泵性能退化试验研究。基于失效机理分析制定燃油泵性能退化试验方案。搭建燃油泵在电应力载荷下的性能退化试验平台,可模拟飞机燃油泵注油循环过程,施加电应力载荷,采集出口压力信号。建立Holt指数平滑退化模型用于剩余寿命预测。结果表明该退化模型表征了燃油泵的退化规律,验证了该试验方案和平台的有效性和可行性。