飞机起落架液压收放系统故障程度正确诊断可帮助飞行员及时采取行动应对不同程度的故障,避免人员和财产受到损失。针对飞机起落架液压收放系统故障样本少,故障数据时域上的高相关性,提出一种混合条件变分自编码网络和双向长短期记忆神经网络的故障程度诊断模型。建立某型飞机起落架液压收放系统仿真模型并植入不同程度故障,提取故障数据;将故障数据归一化并训练出CVAE生成模型;利用BLSTM在时域上的双向学习能力,构建CVAE-BLSTM混合模型,诊断飞机起落架液压收放系统的故障程度。与其他算法相比,CVAE-BLSTM具有高准确率与强泛化能力,可对飞机起落架液压收放系统故障程度进行有效诊断。

针对现有的滚动轴承退化指标单调性差,对轴承异常不敏感导致基于数据驱动的深度学习算法难以实现轴承寿命准确预测的问题,提出一种基于动态时间规整算法(DTW)和双向长短期记忆神经网络(Bi-LSTM)的滚动轴承剩余寿命预测算法。利用信息熵提取滚动轴承的退化特征,构造连续的时间序列;划分时间序列并构造出参考模板及测试模板,采用DTW算法计算模板间的相似度,将它作为健康指标表征轴承的退化程度;用健康指标训练Bi-LSTM网络并预测轴承的寿命。采用法