基于深度学习的辅助动力装置性能参数预测方法研究

作者：王坤^*; 侯树贤

来源：推进技术, 2022, 43(01): 290-299.

DOI：10.13675/j.cnki.tjjs.200580

• 辅助动力装置
• 性能参数预测
• 卷积神经网络
• 长短期记忆神经网络
• Attention机制
• 排气温度

针对传统机器学习的辅助动力装置(APU)性能参数预测方法不能充分利用参数数据间的时序性和非线性问题,提出了一种基于卷积神经网络(Convolutional neural network,CNN)-长短期记忆(Long short-term memory,LSTM)-注意力(Attention)的APU性能参数预测方法。引入一维CNN,通过预处理的参数数据得到不同属性的抽象特征。使用LSTM神经网络对这些特征进行记忆,并结合可以对特征状态赋予不同权重的Attention机制来实现参数预测。使用某型APU的参数数据预测未来不同步长的排气温度(EGT)。实验结果表明:对于单步排气温度的预测,CNN-LSTM-Attention模型在平均绝对百分比误差指标上比CNN-LSTM,LSTM和简单循环神经网络模型分别降低了15.2%,32.5%,60.3%。在均方根误差指标上分别降低了7.3%,11.6%,32.9%。同时它在多步EGT的预测中具有较高的预测精度,证明了该方法的有效性,为短期辅助动力装置性能变化趋势预测提供一定的参考。

• 单位
  中国民航大学; 自动化学院