论文部分内容阅读
对飞机辅助动力装置（Auxiliary Power Unit,APU）排气温度（Exhaust Gas Temperature,EGT）的准确预测可为APU健康管理提供重要信息。传统方法在长周期预测中精度较低。提出一种基于特征与时序的双侧注意力机制（Bilateral Attention Mechanism,BAM）和卷积神经网络（Convolutional Neural Network,CNN）-门控循环单元（Gated Recurrent Unit,GRU）的混合模型，选取5个与排气温度关联度较高的特征参数对EGT进行多变量预测。引入BAM可自动量化输入变量与EGT的关联度，并加强历史关键信息对预测输出的表达；引入CNN可提取反映EGT非平稳动态变化的高维特征。实验结果表明：所提出的混合模型在单步与多步的长时间序列和多变量输入EGT预测均取得很好的效果。相比于BAM-GRU模型、CNN-GRU模型、GRU模型、长短期记忆（Long Short-Term Memory,LSTM）模型、支持向量机（Support Vector Machine,SVM）模型和反向传播（Back Propagation,BP）模型，混合模型的预测精度有较大程度提高。