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。