南京航空航天大学学报

作者：苏越，许开富，金路，王伟，侯理臻

单位：西北工业大学动力与能源学院，西安 710072；,中国航天科技集团西安航天动力研究所，西安 710100；,中国航天科技集团西安航天动力研究所，西安 710100；,中国航天科技集团西安航天动力研究所，西安 710100；,中国航天科技集团西安航天动力研究所，西安 710100；

关键词：液体火箭发动机;涡轮泵;支承刚度;长短期记忆网络;注意力机制

基金：中央高校基本科研业务费（D5000210486）。

作为重要的动力学参数，刚度辨识及预测对于涡轮泵动力特性具有关键意义，为此提出一种融合注意力机制和双向长短期记忆（Bi-directional long short-term memory， BiLSTM）网络的预测模型。将动力学响应融合输入，使用LSTM神经网络有效挖掘时序相关的历史特征。再将两层LSTM网络反向叠加组成BiLSTM模型，适应动力学信息复杂、序列冗长特点，深入挖掘参数间的非线性特征。随后引入Attention层，利用注意力机制获取特征分配权重，增强关键信息。最后通过某型涡轮泵的动力学数据训练辨识模型。结果表明，对于涡轮泵刚度特性，Attention-BiLSTM模型在序列数据处理方面具有显著优势，预测平均绝对百分比误差（Mean absolute percentage error， MAPE）可达2.194 5%。而单一结构的RNN、LSTM和BiLSTM模型的预测MAPE分别为10.497 7%、5.497 3%和2.798 6%。可见该方法有效避免了复杂的动力学反问题求解，实现了非线性参数的动态识别。

来源：2024年第4期

《南京航空航天大学学报》期刊编辑部

查看南京航空航天大学学报杂志2024年第4期