随着科技的快速发展,现代技术的不断更新交替,出现了越来越多复杂智能电子设备。但在长期使用智能电子设备的过程中往往伴随着出现一定程度的损耗和故障,所以对电子设备进行故障预测成为了工业运用领域关注的重点和难点,在学术界也对其出现的难题进行了大量的研究。在现阶段中,对于处理时间序列,许多方法都是利用点过程或者传统的时间序列处理方法进行时间预测。这往往需要高质量的数据和提前设定好参数化的模型并设定一定范围的时间窗口进行预测。这也意味着模型的复杂度过高,容易出现人工误差并耗费大量的时间,使得方法变得局限。针对传统时序点过程的不合理的问题,出现了利用神经网络进行点过程非线性建模,但都没有考虑未来状态对当下状态可能造成的影响、模型的可解释性和序列中重要信息和规律。因此,本文通过点过程的强度函数融合了深度学习的技术,提出了一种基于深度学习点过程的航空电子设备故障预测模型。本文的主要工作和贡献总结如下:1.本文提出了一种对航空电子设备的故障时间进行预测的深度点过程建模的方法,把点过程的条件强度函数看作是一种非线性映射关系,利用两条双向循环神经网络分别对时间序列和事件序列进行建模,并引入了注意力机制。可以获取到重要的历史信息和未来信息,解决输入信息损失、预测受限的问题,这意味着模型的可解释性增强,提高准确性和灵活性从而提升模型的性能。2.根据真实的航空电子设备数据集,采用了不同的神经网络结构对本文模型进行验证,最终发现DeepPPAttBiLSTM模型在MAE指标的效果均超过了基准方法,且在不同的航空电子设备上的结果都表现较好,MAE平均值较小,这表明了模型相对稳定且提高了模型预测的准确性。3.在RMTPP算法加入了本文的方法,验证了本文所提模型具有可移植性,可拓展到其他模型方法和其他不同的领域中。此外,还验证了DeepPP模型的训练时间,比传统的点过程方法缩短了训练时间,提高了模型的计算速度,可以使用在大规模的数据集上并且当循环神经网络层数的越低模型的准确率越高。