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...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2.1945%。而单一结构的RNN、LSTM和BiLSTM模型的预测MAPE分别为10.4977%、5.4973%和2.7986%。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。展开更多
