孙毅刚 刘凯捷

摘要：为了提高航电系统设备故障率预测的精度，本文提出了一种基于粒子群算法优化的长短期记忆神经网络（LSTM）预测方法。首先该模型以历史故障率序列作为输入，然后通过粒子群算法（PSO）对长短期记忆数据网络中的关键参数进行迭代优化，最后依据优化参数建立PSO-LSTM预测模型并进行故障率时间序列预测。主要解决了传统依据个体经验选取模型参数而导致的低拟合度、低预测精度和低效的问题。通过与典型预测模型的仿真数据进行对比，验证了所提出的PSOLSTM预测模型在航电系统设备故障率时间序列预测中具有更高的預测精度。

关键词：长短期记忆神经网络；粒子群算法；循环神经网络；预测；可靠性

中图分类号：V240.2文献标识码：ADOI：10.19452/j.issn1007-5453.2021.05.003

随着航空技术的发展和科技水平的不断提高，飞机的航电系统也越来越复杂，随之带来的是更高的可靠性和安全性需求，有效地预测使用阶段的故障率是十分重要的[1-2]，同时故障率对指导备件贮存策略也有非常重要的作用[3]。

目前，对于故障率预测国内外学者开展了大量的研究，探索出多种预测方法，也取得了一定的成果，如支持向量机（SVM）[4]、奇异谱分解（SSD）[5]、差分自回归移动平均（ARIMA）[6]等。现有的研究主要集中在元器件级别和子系统级别，如参考文献[6]主要研究的是针对高温下铝电解电容器电容值下降的问题，建立的两种模型预测误差均在可接受范围内，且均能有效地提取预测数据中的时间序列信息；……