基于生物启发优化多源时域特征动态融合深度学习建模的压气机流动感知方法

《Biomimetics》：Compressor Flow Perception via Deep Learning Modeling with Multi-Source Dynamic Fusion of Temporal Features by Bio-Inspired Optimization

　　

这对提升航空发动机运行稳定性与可靠性具有重要工程意义。为实现气动失稳（aerodynamic instability）的精确识别，研究人员提出一种基于交叉注意力（cross-attention, CA）与双向长短期记忆（Bidirectional Long Short-Term Memory, BiLSTM）网络的多源融合深度学习模型（CA_BiLSTM）。研究人员从高速多级压气机获取信号，在时域、频域及熵值域进行多维特征提取，基于散布熵（dispersion entropy）构建特征交叉识别与多级预警方法。针对非线性气动参数，研究人员将变分模态分解（Variational Mode Decomposition, VMD）与蜣螂优化器（Dung Beetle Optimizer, DBO）全局寻优相结合，构建VMD_DBO_LSTM耦合预测模型用于气动稳定性预测。针对单点检测局限，研究人员提出基于交叉注意力机制的双通道融合模型，通过共享卷积与动态加权机制精确表征复杂流动非线性特征，充分融合进口与出口信号互补信息实现协同信号表征，其抗干扰能力显著优于原始单点信号；结合散布熵阈值可提前1580 r检测到失稳，有效克服传统单点监测信息缺失与表征不完整的问题。

论文解读：基于生物启发优化多源时域特征动态融合深度学习建模的压气机流动感知方法

研究背景与意义

航空发动机事故中超41%由发动机故障引发，作为核心部件的轴流式压气机发生旋转失速（rotating stall）与喘振（surge）等气动失稳是重要诱因。压气机流动具有强非线性、强瞬态性与强耦合性，失稳先兆具突变成性与弱前兆特征，传统单传感器监测与时频分析方法难以有效捕捉早期异常信号。现有熵分析方法对幅值信息利用不足且对瞬变响应滞后，传统物理模型受理想化假设限制无法反映非定常扰动，单一深度学习模型依赖单测点信息易受局部噪声干扰导致鲁棒性差。为此，研究人员以"识别—预测—融合"为主线开展研究，发表于《Biomimetics》。

主要关键技术方法

研究人员利用高速多级轴流压气机试验台（11780 rpm，采样频率20000 Hz，进口与出口截面动态压力测点），经巴特沃斯高通滤波（截止1000 Hz）降噪并5倍重采样至4000 Hz后做min-max归一化。采用滑动窗散布熵（dispersion entropy, DE）结合3σ准则设定两级渐进预警阈值划分稳定—先兆—失速三阶段；引入蜣螂优化算法（Dung Beetle Optimizer, DBO）以最小包络熵为适应度函数自适应优选VMD模态数K与惩罚因子α，对各本征模态函数（Intrinsic Mode Function, IMF）分别建立LSTM子网络预测后叠加；构建双通道交叉注意力—双向LSTM（CA_BiLSTM）模型，通过共享一维卷积（Conv1D）、BiLSTM提取时空特征，交叉注意力动态分配进出口权重并施加权重和为1的物理约束，经残差优化块输出融合序列，联合MSE损失与Adam优化器训练。

研究结果

1. 2.
   Flow Stability Graded Discrimination Based on Entropy Features
   研究人员经预处理后在进口与出口压力信号上应用改进希尔伯特—黄变换（以VMD替代EMD），确定系统失稳临界位置分别为6043 r与6081 r。采用滑动窗（宽400点，步100点）计算散布熵，依稳定段均值μ_stable与标准差σ_stable设一级阈值μ_stable?σ_stable（先兆阶段）与二级阈值μ_global?2σ_global（失速阶段），将失速过程划分为稳定段、先兆段与正式失速段。进口信号于4476 r触发一级预警，6042 r触发二级预警；出口于4613 r与6061 r触发。多维特征交叉验证实现了失稳时刻精确定位与分级预警，最大提前预警时间进口达约7.98 s。
2. 3.
   Deep Learning Modeling Embedded with Mode Decomposition Optimization
   研究人员用DBO优化VMD参数（种群30，迭代20），最小包络熵收敛至10.2175，最优参数组合为惩罚因子α=2430、模态数K=10。构建VMD_DBO_LSTM模型：VMD分解→各IMF独立LSTM分层训练→结果融合。与LSTM、VMD_LSTM对比，VMD_DBO_LSTM平均绝对误差（MAE）降低64%，决定系数R²提升4.46%达0.99以上，最大绝对误差≤0.005。对预测序列计算散布熵，突变节点与实际值基本一致，基于阈值判定可提前1571 r（约8 s）识别失速先兆，验证了模型对非线性失稳演化的捕捉能力。
3. 4.
   Multi-Source Information Cross-Fusion Deep Learning Model
   研究人员设计CA_BiLSTM双通道融合模型：共享Conv1D提取局部特征→批归一化与Dropout→共享BiLSTM捕获双向时序依赖→交叉注意力模块动态分配进出口权重（Lambda层硬约束权重和为1）→加权融合后经两层Conv1D残差块优化输出。训练中采用余弦退火学习率（初始0.0008）与早停（patience=15）。结果显示：稳定段进口权重0.5~0.8高于出口，失速突变段权重剧烈翻转符合气动机理；融合序列波动小于原始单通道，信噪比（Signal-to-Noise Ratio, SNR）由原始约39.3 dB提升至48.2 dB，特征保留率（Feature Retention Rate, FRR）达84.02%，无相位偏移。融合数据散布熵较单通道噪声抑制更明显，触发一级预警于4471 r（提前1580 r，约8.05 s），二级预警于6047 r，与进口实测及VMD_DBO_LSTM结果高度吻合，克服了单传感器信息不全与易误判漏判问题。

讨论与结论翻译

研究人员指出当前验证在恒转速条件下完成，但散布熵阈值策略具尺度不变性，DBO自适应优化VMD可针对不同转速重优化，CA_BiLSTM动态交叉注意力亦能适应瞬态下进出口信号可信度变化及扩展多传感器布局，框架对不同工况具潜在适应性；未来需在变转速、负荷瞬变、进气畸变及多样传感器布置下系统验证并优化熵阈值与DBO搜索空间。

主要结论如下：

① 基于时域、改进HHT时频域与散布熵的多维特征交叉识别结合3σ两级阈值，将失速过程划分为稳定—先兆—失速三阶段，确定进口与出口失稳位置分别为6043 r与6081 r，最大提前预警时间分别达7.98 s与7.47 s。

② 提出VMD_DBO_LSTM耦合预测模型，以最小包络熵为适应度函数由DBO自适应优选VMD参数(K=10, α=2430)，决定系数R²>0.99，MAE较基线LSTM降低64%，结合散布熵阈值最大提前1571 r预警。

③ 提出进口—出口双通道CA_BiLSTM多源融合模型，通过共享卷积、BiLSTM、交叉注意力动态加权及物理约束与残差优化，训练损失低至2.02×10^?4，融合后SNR升至48.2 dB，FRR达84.02%，结合散布熵阈值可提前8.05 s检测失速先兆，显著增强压气机流动感知的鲁棒性与准确性。