基于CNN-LSTM的弹用发动机关键参数预测模型研究

【摘要】：弹用涡轮发动机结构复杂,工作环境恶劣,属于故障多发系统。利用深度学习算法对海量试验数据进行挖掘,建立精确的参数预测模型,用于发动机状态监控及故障检测,保证发动机安全可靠工作。发动机各运行参数相互影响、干涉,存在复杂的非线性关系,并且数据前后相互依赖,具有明显的时序性质。为提高模型的预测精度,本文将卷积神经网络(Convolutional Neural Network,CNN)与长短期记忆神经网络(Long Short-term Memory Network, LSTM)融合,充分利用CNN的特征提取能力和LSTM对时间序列数据的敏感性。将发动机各运行参数以滑动窗口方式构造输入矩阵,预测下一时刻工作参数,以模型输出与实测值的对比作为故障检测的依据。结果表明,模型计算结果与试验数据基本吻合,可用于弹用发动机状态监控及故障检测中。