摘要
预测涡轮轴发动机性能参数对于发动机健康管理至关重要，然而，传统的基于物理的模型和浅层神经网络难以有效模拟时间序列数据的复杂非线性特性。为了克服这些限制，提出了一种混合模型，该模型整合了时间卷积网络（TCN）、注意力机制和双向长短期记忆网络（BiLSTM）来预测涡轮轴发动机性能参数。时间卷积用于提取局部时间特征，而BiLSTM网络用于捕捉长期的双向依赖性。进一步引入了注意力机制，以赋予关键时间步骤更高的权重。仿真结果表明，与单独的LSTM和TCN模型相比，所提出的模型具有更高的预测准确性。当应用于不同进气温度条件下涡轮轴发动机的性能预测时，该框架在三个关键性能参数上的训练和测试均方根误差值始终保持在0.05到0.09之间，同时有效抑制了测量噪声。这些结果表明，该模型具有出色的泛化性能，在实际工程应用中具有巨大潜力。
