基于改进LSTM的航空发动机气路参数预测方法

扫码查看

原文链接

万方数据
维普

中文摘要：以航空燃气涡轮发动机气路故障诊断为导向,提出了一种用于发动机气路参数预测的特征注意力增强型长短时记忆网络(Feature Attention Enhanced Long Short-Term Memory Network,FAE-LSTM).FAE-LSTM是具有编码-解码结构的动态网络,首先通过编码器中的特征注意力单元对工况序列进行动态特征提取,然后通过特征拼接层融合编码器输出序列、工况序列和历史性能参数,最后通过解码器实现最终的参数预测.FAE-LSTM基于发动机飞行过程数据建立发动机在健康状态下的动态模型,从而作为参数预测模型应用于基于残差的故障诊断系统中.针对网络的预测性能和应用方式进行了仿真分析,结果表明,相比于其他常用多变量时间序列预测模型,FAE-LSTM的长期预测误差最低减少24.5％;相比于使用串-并联结构,故障检测系统使用并联结构的FAE-LSTM网络能够获得更精确的检测结果.

外文标题：Aeroengine Gas Path Parameter Prediction Based on Improved LSTM

外文关键词：

aeroengineparameter predictionfault diagnosisfeature attention mechanismLSTM network

作者：

马帅、吴亚锋、郑华、缑林峰

展开 >

作者单位：

西北工业大学动力与能源学院,陕西西安 710072

关键词：

航空发动机性能参数预测故障诊断特征注意力机制 LSTM网络

基金：

国家科技重大专项

项目编号：

2017-V-0011-0062

出版年：

2024

DOI：

10.19708/j.ckjs.2023.06.241

测控技术

中国航空工业集团公司北京长城航空测控技术研究所

测控技术

CSTPCD

影响因子：0.5

ISSN：1000-8829

年,卷(期)：2024.43(2)

参考文献量32