基于DAM-QLSTM混合模型的輔助動(dòng)力裝置性能參數(shù)預(yù)測(cè)方法

摘 要：對(duì)飛機(jī)輔助動(dòng)力裝置（APU）排氣溫度（EGT）進(jìn)行準(zhǔn)確預(yù)測(cè)，能有效監(jiān)測(cè)APU未來(lái)工作狀態(tài)，預(yù)防安全事故發(fā)生。本文提出一種融合雙階段注意力機(jī)制（DAM），以及分位數(shù)損失（quantile-loss）引導(dǎo)的長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)的APU排氣溫度預(yù)測(cè)模型。采用雙階段注意力機(jī)制，能有效量化輸入變量與EGT的關(guān)聯(lián)度，并加強(qiáng)歷史關(guān)鍵信息對(duì)輸出的作用效果。使用分位數(shù)損失來(lái)優(yōu)化LSTM網(wǎng)絡(luò)的損失函數(shù)，進(jìn)一步提高模型的預(yù)測(cè)能力。試驗(yàn)結(jié)果表明，對(duì)于EGT的單步與多步預(yù)測(cè)，與其他預(yù)測(cè)模型相比，所提模型的預(yù)測(cè)精度有較大程度提高，為短期APU性能變化趨勢(shì)預(yù)測(cè)提供一定參考。

關(guān)鍵詞：輔助動(dòng)力裝置； 排氣溫度； 長(zhǎng)短期記憶網(wǎng)絡(luò)； 注意力機(jī)制； 分位數(shù)損失

中圖分類(lèi)號(hào)：V240.2 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.19452/j.issn1007-5453.2024.07.004

基金項(xiàng)目： 國(guó)家自然科學(xué)基金（62173331）

輔助動(dòng)力裝置（APU）是一個(gè)位于飛機(jī)尾端的小型渦輪發(fā)動(dòng)機(jī)[1]。當(dāng)飛機(jī)在地面停放時(shí)，APU為飛機(jī)提供電源和壓縮空氣用于保證客艙及駕駛艙的照明和空調(diào)[2]。起飛前，由APU起動(dòng)主發(fā)動(dòng)機(jī)，從而減少地面電源或氣源的供應(yīng)。起飛時(shí)，全部功率用于地面加速和爬升，改善起飛性能。APU不僅是飛機(jī)在空中停車(chē)后重起發(fā)動(dòng)機(jī)的重要裝備，也是飛機(jī)在地面時(shí)確?？团摥h(huán)境舒適的必要保障[3]。

排氣溫度（EGT）可以綜合反映其他相關(guān)性能指標(biāo)的健康程度，有效地表征了APU的性能衰退狀況。因此將其作為判斷APU健康狀態(tài)的主要性能指標(biāo)[4]。EGT在APU的全生命周期內(nèi)通常呈現(xiàn)逐漸上升的趨勢(shì)，可以通過(guò)預(yù)測(cè)EGT未來(lái)走向，對(duì)其進(jìn)行健康監(jiān)測(cè)[5]。從而判斷其是否超過(guò)所規(guī)定的安全值，由此來(lái)判斷APU是否符合民航安全運(yùn)行標(biāo)準(zhǔn)，為后續(xù)設(shè)備維護(hù)提供決策支持[6]。APU是一個(gè)高度耦合的復(fù)雜系統(tǒng)，對(duì)于EGT的預(yù)測(cè)需要考慮到APU內(nèi)各性能參數(shù)的影響作用[7]。分析發(fā)現(xiàn)APU性能參數(shù)數(shù)據(jù)的歷史信息和未來(lái)信息存在一定的關(guān)聯(lián)，而長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)通過(guò)在隱藏層中增加單元存儲(chǔ)結(jié)構(gòu)，使其善于處理長(zhǎng)時(shí)間序列問(wèn)題[8]。

國(guó)內(nèi)外學(xué)者針對(duì)基于LSTM網(wǎng)絡(luò)的排氣溫度預(yù)測(cè)展開(kāi)研究。楊洪富等[9]提出采用LSTM網(wǎng)絡(luò)用于挖掘排氣溫度隨飛機(jī)運(yùn)行時(shí)間的變化規(guī)律從而實(shí)現(xiàn)預(yù)測(cè)。韓國(guó)棟等[10]針對(duì)燃?xì)廨啓C(jī)氣路性能退化的周期性與非線(xiàn)性特點(diǎn)，提出采用LSTM網(wǎng)絡(luò)建立預(yù)測(cè)模型，對(duì)燃?xì)廨啓C(jī)排氣溫度的未來(lái)趨勢(shì)進(jìn)行預(yù)測(cè)。孫毅剛等[11]提出了一種基于粒子群算法優(yōu)化的LSTM網(wǎng)絡(luò)預(yù)測(cè)方法。通過(guò)對(duì)關(guān)鍵參數(shù)進(jìn)行迭代優(yōu)化，有效解決了傳統(tǒng)模型參數(shù)低擬合度、低預(yù)測(cè)精度等問(wèn)題。Ullah等[12]針對(duì)發(fā)動(dòng)機(jī)排氣溫度的預(yù)測(cè)問(wèn)題，提出采用LSTM網(wǎng)絡(luò)來(lái)建立預(yù)測(cè)模型。結(jié)果表明與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相比，預(yù)測(cè)精度顯著提高。郭毅博等[13]提出使用Transformer與LSTM網(wǎng)絡(luò)相結(jié)合，將傳感器所獲取的數(shù)據(jù)作為時(shí)序數(shù)據(jù)處理，其次采用貝葉斯優(yōu)對(duì)模型進(jìn)行優(yōu)化，有效減少了整體誤差，增強(qiáng)了測(cè)量穩(wěn)定性與可靠性。張帥等[14]通過(guò)分析航空器發(fā)動(dòng)機(jī)氣路參數(shù)的特點(diǎn)，提出一種輸出層增強(qiáng)的長(zhǎng)短期記憶網(wǎng)絡(luò)（OLE-LSTM）排氣溫度預(yù)測(cè)模型，顯著提高了模型對(duì)排氣溫度的預(yù)測(cè)精度。白春垣等[15]采用多尺度卷積神經(jīng)網(wǎng)絡(luò)完成信號(hào)深度特征的提取，使用LSTM網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練數(shù)據(jù)間的潛在規(guī)律，以某型APU實(shí)時(shí)報(bào)文數(shù)據(jù)為例，提高了APU排氣溫度預(yù)測(cè)的準(zhǔn)確度。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)難以捕捉APU性能參數(shù)中復(fù)雜的關(guān)聯(lián)性，無(wú)法建立輸入與輸出變量之間的完整關(guān)系。本文提出一種融合雙階段注意力機(jī)制（DAM）和分位數(shù)損失引導(dǎo)的長(zhǎng)短期記憶（QLSTM）網(wǎng)絡(luò)模型，將與EGT具有強(qiáng)關(guān)聯(lián)的其他性能參數(shù)作為多變量輸入，選取EGT為輸出。針對(duì)輸入?yún)?shù)的多維性和時(shí)序性，采用雙階段注意力機(jī)制來(lái)量化輸入變量與EGT的關(guān)聯(lián)度以及加強(qiáng)歷史關(guān)鍵信息對(duì)輸出的表達(dá)。采用分位數(shù)損失[16]來(lái)優(yōu)化LSTM網(wǎng)絡(luò)的損失函數(shù)，構(gòu)建QLSTM網(wǎng)絡(luò)模型，進(jìn)一步提高模型的泛化能力。

1 深度學(xué)習(xí)原理

1.1 LSTM網(wǎng)絡(luò)

LSTM[17]是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的一個(gè)變種，能有效解決RNN在預(yù)測(cè)過(guò)程中梯度消失的問(wèn)題。LSTM隱藏層神經(jīng)元的基本結(jié)構(gòu)[18]如圖1所示。

1.2 注意力機(jī)制

注意力機(jī)制是一種仿效人腦注意力的資源分配模型，通過(guò)學(xué)習(xí)人腦在面對(duì)多重信息來(lái)源時(shí)，對(duì)不同信息的關(guān)注度。使得在關(guān)鍵節(jié)點(diǎn)上，突出重要信息的影響力[19]，其結(jié)構(gòu)如圖2所示。

圖2中，輸入樣本數(shù)為n，（t？[1n]）；模型的輸入和隱藏層輸出分別為xt，ht；注意力機(jī)制對(duì)模型隱藏層輸出的權(quán)重分配為αt；模型的輸出值為y。

2 基于DAM-QLSTM預(yù)測(cè)模型的參數(shù)預(yù)測(cè)

針對(duì)傳統(tǒng)的機(jī)器學(xué)習(xí)方法在處理APU性能參數(shù)的歷史數(shù)據(jù)時(shí)，難以捕捉數(shù)據(jù)間的關(guān)聯(lián)性和時(shí)序性，因而忽視歷史數(shù)據(jù)包含的潛在規(guī)律，從而導(dǎo)致預(yù)測(cè)結(jié)果存在較大的誤差。采用雙階段注意力機(jī)制，可以使模型有效量化多維輸入?yún)?shù)與EGT的關(guān)聯(lián)程度，同時(shí)加強(qiáng)模型各隱藏層所輸出的歷史信息對(duì)當(dāng)前時(shí)刻輸出影響的表達(dá)。LSTM能有效處理具有長(zhǎng)期依賴(lài)的時(shí)序數(shù)據(jù)，常用于時(shí)間序列預(yù)測(cè)。采用分位數(shù)損失對(duì)LSTM網(wǎng)絡(luò)的損失函數(shù)進(jìn)行改進(jìn)，使模型在不同分位點(diǎn)預(yù)測(cè)數(shù)據(jù)，選取置信度較高的數(shù)據(jù)作為最終的預(yù)測(cè)值，有效提高模型的泛化能力和預(yù)測(cè)效果。因此，本文提出一種基于雙階段注意力機(jī)制和分位數(shù)損失引導(dǎo)的LSTM模型，通過(guò)結(jié)合不同網(wǎng)絡(luò)的特性，達(dá)到提高EGT預(yù)測(cè)精度的目的。

2.1 模型描述

本文中的樣本數(shù)據(jù)是在現(xiàn)有研究基礎(chǔ)上，結(jié)合維修手冊(cè)、廠(chǎng)家資料內(nèi)容以及參考一線(xiàn)機(jī)務(wù)維修人員的相關(guān)經(jīng)驗(yàn)，最終確定從飛機(jī)快速存取記錄器（QAR）選取表征APU關(guān)鍵性能狀態(tài)的參數(shù)數(shù)據(jù)。相關(guān)數(shù)據(jù)是飛機(jī)處于正常工作狀態(tài)下，同一航段的多次飛行數(shù)據(jù)，包括EGT、滑油溫度OT、APU轉(zhuǎn)速NA、引氣流量WB、發(fā)電機(jī)負(fù)載GL。由于影響APU排氣溫度的參數(shù)較多，且參數(shù)之間存在相互影響，因此根據(jù)式（7）對(duì)上述參數(shù)與EGT進(jìn)行相關(guān)性分析，結(jié)果見(jiàn)表1。

輸入?yún)?shù)與排氣溫度的相關(guān)程度較高，有助于加強(qiáng)神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)訓(xùn)練過(guò)程，使預(yù)測(cè)結(jié)果更加準(zhǔn)確。由此，為盡可能保存大量特征信息的前提下降低模型的計(jì)算量，因此選取NA、WB和GL三項(xiàng)與排氣溫度相關(guān)程度較高的參數(shù)作為模型的多變量輸入，并建立預(yù)測(cè)模型。

2.2 特征注意力機(jī)制

為得到多變量輸入預(yù)測(cè)模型中各特征參數(shù)與EGT的關(guān)聯(lián)程度，在模型的輸入端引入特征注意力機(jī)制模塊，對(duì)輸入的各項(xiàng)參數(shù)特征進(jìn)行量化，如圖3所示。

2.4 時(shí)序注意力機(jī)制

由于APU在飛機(jī)飛行期間并不是時(shí)刻處于工作狀態(tài)，因此不同階段的歷史參數(shù)信息對(duì)排氣溫度的影響程度不同。同時(shí)，較長(zhǎng)的時(shí)間序列會(huì)導(dǎo)致模型的輸出產(chǎn)生偏差。為了模型能有效量化APU在飛行過(guò)程中不同時(shí)刻的重要性，加強(qiáng)模型在不同歷史時(shí)刻關(guān)鍵信息的表達(dá)。在LSTM網(wǎng)絡(luò)的輸出端引入時(shí)序注意力機(jī)制（TAM），其模型結(jié)構(gòu)如圖4所示。

2.5 基于DAM-QLSTM的預(yù)測(cè)模型

DAM-QLSTM預(yù)測(cè)模型結(jié)構(gòu)如圖5所示，首先通過(guò)FAM1d4852b3fadd2f5c6b83f05f57c45e73模塊為各特征參數(shù)分配不同的權(quán)值，其次將分配權(quán)重后的數(shù)據(jù)輸入由分位數(shù)損失引導(dǎo)的LSTM網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)訓(xùn)練，其隱藏層狀態(tài)作為T(mén)AM的輸入，最后通過(guò)TAM模塊對(duì)重要的歷史信息分配權(quán)重，得到最終預(yù)測(cè)值。

模型描述如下：（1）Input層完成輸入性能參數(shù)數(shù)據(jù)的預(yù)處理，消除不同參數(shù)間的量綱影響。（2）FAM層對(duì)經(jīng)過(guò)預(yù)處理后的各項(xiàng)特征參數(shù)進(jìn)行特征權(quán)重分配，突出重要特征信息的表達(dá)。（3）QLSTM層對(duì)參數(shù)特征進(jìn)行充分學(xué)習(xí)，以找尋數(shù)據(jù)內(nèi)部的變化規(guī)律。通過(guò)構(gòu)建分位數(shù)損失引導(dǎo)的LSTM網(wǎng)絡(luò)，使模型在不同分位點(diǎn)去預(yù)測(cè)數(shù)據(jù)，然后取置信度較高的數(shù)據(jù)作為最終的預(yù)測(cè)值。QLSTM網(wǎng)絡(luò)學(xué)習(xí)率為0.003；隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)為128，時(shí)間步長(zhǎng)（Time steps）決定了使用歷史前幾個(gè)時(shí)刻的參數(shù)值來(lái)預(yù)測(cè)將來(lái)時(shí)刻的EGT，設(shè)置為3；Batch size表示每個(gè)批次輸入模型的數(shù)據(jù)大小，設(shè)置為32；采用Adam優(yōu)化器對(duì)模型參數(shù)進(jìn)行優(yōu)化。（4）TAM層捕捉歷史關(guān)鍵信息，根據(jù)其重要程度分配不同的權(quán)重。（5）Output層的輸入是時(shí)序注意力機(jī)制層的加權(quán)輸出，選擇sigmoid作為激活函數(shù)。

3 試驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)預(yù)處理

由圖6可知，APU性能參數(shù)隨時(shí)間變化而采集，具有時(shí)序性。同時(shí)模型的輸入為多變量輸入，不同的輸入性能參數(shù)對(duì)排氣溫度的影響程度不同，因此在模型訓(xùn)練過(guò)程中要考慮輸入數(shù)據(jù)的多維性。

3.2 模型評(píng)價(jià)指標(biāo)

3.3 預(yù)測(cè)結(jié)果分析

（1）單步預(yù)測(cè)結(jié)果分析

為了驗(yàn)證DAM-QLSTM模型的有效性與可行性，將DAM-QLSTM模型與DAM-LSTM模型、傳統(tǒng)LSTM模式、BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)SVM模型以及GRU模型進(jìn)行對(duì)比并驗(yàn)證。在驗(yàn)證過(guò)程中，所有的模型都采用相同的訓(xùn)練集和測(cè)試集來(lái)進(jìn)行學(xué)習(xí)訓(xùn)練，預(yù)測(cè)結(jié)果如圖7所示其中真實(shí)值為藍(lán)線(xiàn)，預(yù)測(cè)值為紅線(xiàn)。

從圖7中可以看出，對(duì)于多參數(shù)輸入的單步預(yù)測(cè)任務(wù)，上述6種模型的預(yù)測(cè)趨勢(shì)的走向大致相同，但其他5種模型的預(yù)測(cè)輸出值與真實(shí)值的擬合程度不高，預(yù)測(cè)精度較低。從圖7（a）可知，DAM-QLSTM模型在預(yù)測(cè)區(qū)間內(nèi)，能充分學(xué)習(xí)數(shù)據(jù)內(nèi)部關(guān)系，有效捕捉EGT的變化規(guī)律，模型的輸出值與真實(shí)值擬合程度高。當(dāng)數(shù)據(jù)位于高低峰值處或數(shù)據(jù)波動(dòng)較大時(shí)，其余5個(gè)模型則難以準(zhǔn)確預(yù)測(cè)EGT在該區(qū)間的未來(lái)趨勢(shì)。試驗(yàn)結(jié)果表明，DAM-QLSTM混合模型的預(yù)測(cè)精度均高于其余5種對(duì)比模型，充分展示了所提模型在建立長(zhǎng)期依賴(lài)關(guān)系。

各模型評(píng)價(jià)指標(biāo)見(jiàn)表2。由表2可知，DAM-QLSTM模型的每一項(xiàng)評(píng)價(jià)指標(biāo)都優(yōu)于其余對(duì)比算法。相比于DAM-LSTM、LSTM、BP、SVM和GRU的5種預(yù)測(cè)模型，DAM-QLSTM模型的R2指標(biāo)分別提升2.25%、2.11%、2.10%、1.85%、2.23%；MAE指標(biāo)分別降低15.87%、22.17%、15.78%、24.27%、20.15%；RMSE指標(biāo)分別降低5.68%、9.98%、5.11%、2.59%、5.36%；MAPE指標(biāo)分別降低3.45%、4.37%、13.57%、16.88%、16.03%。

綜上分析，DAM-QLSTM預(yù)測(cè)模型在不同評(píng)價(jià)指標(biāo)下都具有較好的表現(xiàn)，能有效完成APU排氣溫度的短期單步預(yù)測(cè)任務(wù)，確定將來(lái)某個(gè)時(shí)刻APU是否會(huì)處于異常狀態(tài)進(jìn)行故障排除，為后續(xù)的維修排查提供參考。

（2）多步預(yù)測(cè)結(jié)果分析

時(shí)間步長(zhǎng)是模型的關(guān)鍵參數(shù)之一，過(guò)大的時(shí)間步長(zhǎng)取值會(huì)導(dǎo)致模型訓(xùn)練時(shí)長(zhǎng)增大以及模型產(chǎn)生多余的噪聲。如當(dāng)時(shí)間步長(zhǎng)為3時(shí)，則選取當(dāng)前t時(shí)刻的前三個(gè)歷史樣本參數(shù)值作為輸入來(lái)預(yù)測(cè)t+1時(shí)刻的排氣溫度，其次在歷史樣本參數(shù)值的基礎(chǔ)上增加t時(shí)刻的預(yù)測(cè)值xt+1作為輸入，來(lái)預(yù)測(cè)t+2時(shí)刻的排氣溫度xt+2，重復(fù)上述過(guò)程直至完成預(yù)測(cè)。為進(jìn)一步驗(yàn)證本研究所提模型在多變量、多步長(zhǎng)EGT預(yù)測(cè)任務(wù)上的穩(wěn)定性和泛化能力，利用不同步長(zhǎng)下的NA、WB和GL來(lái)對(duì)EGT進(jìn)行預(yù)測(cè)分析，并采用MAE、RMSE、MAPE及R2指標(biāo)對(duì)模型進(jìn)行評(píng)估分析，結(jié)果如圖8所示。

圖8（a）～圖8（d）分別為單步預(yù)測(cè)、三步預(yù)測(cè)、五步預(yù)測(cè)以及七步預(yù)測(cè)任務(wù)下6個(gè)模型評(píng)價(jià)指標(biāo)結(jié)果示意圖。隨著時(shí)間步長(zhǎng)的逐漸增大，6個(gè)模型的預(yù)測(cè)精度均有不同程度的下降。但與其余5個(gè)模型相比，DAM-QLSTM模型在不同步長(zhǎng)的預(yù)測(cè)任務(wù)中，其預(yù)測(cè)性能最優(yōu)。由圖8（a）可知，各模型R2指標(biāo)都接近1，因此上述6種模型都適用于EGT的單步預(yù)測(cè)，其中MAE、RMSE和MAPE三項(xiàng)誤差指標(biāo)平均增長(zhǎng)率見(jiàn)表3。

由表3可以看出，隨著步長(zhǎng)的增加，各模型的平均誤差增長(zhǎng)率存在明顯差異，DAM-QLSTM混合模型三項(xiàng)誤差指標(biāo)的平均增長(zhǎng)率分別是25.75%、4.24%、3.13%，均低于其余5個(gè)預(yù)測(cè)模型。試驗(yàn)結(jié)果表明，本節(jié)所提DAM-QLSTM組合預(yù)測(cè)模型在短期EGT的單步預(yù)測(cè)和多步預(yù)測(cè)任務(wù)中表現(xiàn)優(yōu)異，很大程度上提高了預(yù)測(cè)精度，進(jìn)一步提高了該預(yù)測(cè)模型的普適性。

4 結(jié)論

本文通過(guò)對(duì)表征APU性能變化趨勢(shì)的關(guān)鍵參數(shù)EGT進(jìn)行預(yù)測(cè)研究，提出基于DAM-QLSTM預(yù)測(cè)模型的EGT預(yù)測(cè)方法。

針對(duì)APU性能參數(shù)的多維性和時(shí)序性特征問(wèn)題，采用雙階段注意力機(jī)制分配權(quán)值。為量化不同性能參數(shù)對(duì)排氣溫度的影響程度，在模型的輸入端采用特征注意力機(jī)制為輸入?yún)?shù)分配不同的權(quán)值；同時(shí)，根據(jù)APU不同時(shí)刻的工作性能，采用時(shí)序注意力機(jī)制對(duì)不同歷史時(shí)刻的信息特征進(jìn)行權(quán)值分配，突出關(guān)鍵歷史信息對(duì)輸出的表達(dá)。通過(guò)研究，得出以下結(jié)論：

（1）將LSTM網(wǎng)絡(luò)的損失函數(shù)MSE替換為分位數(shù)損失，指導(dǎo)LSTM網(wǎng)絡(luò)的訓(xùn)練，分位數(shù)損失的引入可以使模型在不同分位點(diǎn)預(yù)測(cè)數(shù)據(jù)，選取置信度較高的數(shù)據(jù)作為最終的預(yù)測(cè)值，可有效提高模型的泛化能力和預(yù)測(cè)效果。

（2）通過(guò)試驗(yàn)表明，針對(duì)多變量輸入的EGT預(yù)測(cè)，本文提出的DAM-QLSTM預(yù)測(cè)模型在單步與多步預(yù)測(cè)任務(wù)中，預(yù)測(cè)精度均高于其他的預(yù)測(cè)模型。當(dāng)改變時(shí)間步長(zhǎng)時(shí)，模型的預(yù)測(cè)精度隨時(shí)間步長(zhǎng)的增加而下降，后續(xù)工作中，可以針對(duì)模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化改善，提高APU性能參數(shù)多步預(yù)測(cè)的穩(wěn)定性。

參考文獻(xiàn)

[1]Gorinevsky D， Dittmar K， Mylaraswamy D， et al. Model-based diagnostics for an aircraft auxiliary power unit[C]// Proceedings of the 2002 International Conference on. IEEE， 2002.

[2]董平. APU系統(tǒng)的狀態(tài)監(jiān)測(cè)與維修決策研究[D]. 南京：南京航空航天大學(xué)，2018. Dong Ping. Research on condition monitoring and maintenance decision of APU system [D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2018. （in Chinese）

[3]趙運(yùn)生，胡駿，吳鐵鷹，等. 大型民用飛機(jī)輔助動(dòng)力裝置性能仿真[J]. 航空動(dòng)力學(xué)報(bào)，2011，26（7）：1590-1598. Zhao Yunsheng， Hu Jun， Wu Tieying， et al. Performance simulation of auxiliary power units for large civil aircraft[J]. Journal of Aerodynamics， 2011， 26（7）： 1590-1598. （in Chinese）

[4]劉連勝，張晗星，劉曉磊，等. 面向飛機(jī)輔助動(dòng)力裝置在翼剩余壽命預(yù)測(cè)的性能參數(shù)擴(kuò)增方法[J]. 儀器儀表學(xué)報(bào)，2020，41（7）：107-116. Liu Liansheng， Zhang Hanxing， Liu Xiaolei， et al. A performance parameter augmentation method for predicting the remaining life of an aircraft auxiliary power unit in the wing[J]. Journal of Instrumentation， 2020， 41（7）： 107-116. （in Chinese）

[5]王輝，唐啟東. 組合預(yù)測(cè)方法在APU狀態(tài)監(jiān)控中的應(yīng)用[J].航空維修與工程，2013，58（6）：47-49. Wang Hui， Tang Qidong. Application of combined prediction method in APU condition monitoring[J]. Aviation Maintenance& Engineering， 2013， 58（6）： 47-49. （in Chinese）

[6]Christos S， Fakhre A， Ian J. Experimental investigation and simulation of a boeing 747 auxiliary power unit[J]. Journal of Engineering for Gas Turbines and Power， 2020， 142（8）： 081005.

[7]Allan J V， Liang T. Improved engine health monitoring using full flight data and companion engine information[J]. SAE International Journal of Aerospace， 2016， 9（1）：91-102.

[8]高禎. 基于TCN和Bi-LSTM網(wǎng)絡(luò)特征融合的文本情感分析研究[D]. 蘭州： 蘭州理工大學(xué)， 2021. Gao Zhen. Research on text sentiment analysis based on TCN and Bi-LSTM network feature fusion [D]. Lanzhou： Lanzhou University of Technology， 2021. （in Chinese）

[9]楊洪富，賈曉亮. 基于LSTM的航空發(fā)動(dòng)機(jī)排氣溫度預(yù)測(cè)[J].航空計(jì)算技術(shù)，2018，48（4）：61-65. Yang Hongfu， Jia Xiaoliang. LSTM-based aero-engine exhaust temperature prediction[J]. Aviation Computing Technology， 2018， 48（4）： 61-65. （in Chinese）

[10]韓國(guó)棟，曹云鵬，王偉影，等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)排溫預(yù)測(cè)方法[J]. 熱能動(dòng)力工程，2022，37（3）：28-34. Han Guodong， Cao Yunpeng， Wang Weiying， et al. LSTM neu‐ral network-based method for gas turbine discharge tempera‐ture prediction[J]. Thermal Power Engineering， 2022， 37（3）： 28-34. （in Chinese）

[11]孫毅剛，劉凱捷. 基于PSO-LSTM網(wǎng)絡(luò)的航電系統(tǒng)故障率預(yù)測(cè)研究[J]. 航空科學(xué)技術(shù)，2021，32（5）：17-22. Sun Yigang， Liu Kaijie. Failure rate of avionics system forecast‐ing based on PSO-LSTM network[J]. Aeronautical Science & Technology， 2021， 32（5）： 17-22.（in Chinese）

[12]Ullah S， Li S G， Khan K， et al. An investigation of exhaust gas temperature of aircraft engine using LSTM[J]. IEEE Access， 2023（11）： 5168-5177.

[13]郭毅博，李舜堯，陳艷華，等. 基于時(shí)間序列的飛機(jī)燃油測(cè)量方法[J]. 航空科學(xué)技術(shù)，2022，33（5）：63-68. Guo Yibo， Li Shunyao， Chen Yanhua， et al. A fuel measure‐ment method based on time series data[J]. Aeronautical Sci‐ence & Technology， 2022， 33（5）： 63-68.（in Chinese）

[14]張帥，杜軍，嚴(yán)智. 基于輸出層增強(qiáng)的LSTM發(fā)動(dòng)機(jī)排氣溫度模型[J]. 電子測(cè)量與儀器學(xué)報(bào)，2019，33（8）：124-132. Zhang Shuai， Du Jun， Yan Zhi. LSTM engine exhaust temperature model based on output layer enhancement[J]. Journal of Electronic Measurement and Instrumentation， 2019， 33（8）： 124-132. （in Chinese）

[15]白春垣，孫有朝. 基于MSCNN-LSTM編解碼器的飛機(jī)輔助動(dòng)力裝置EGT預(yù)測(cè)模型[J]. 組合機(jī)床與自動(dòng)化加工技術(shù)，2022，64（2）：45-49. Bai Chunyuan， Sun Youzhao. An EGT prediction model for aircraft auxiliary power units based on MSCNN-LSTM codec[J]. Combined Machine Tools and Automated Machining Technology， 2022， 64（2）： 45-49. （in Chinese）

[16]Koneker R， Bassett G. Regression quantiles[J]. Econometrical， 1978， 46 （1）： 33-50.

[17]Chemali E， Kollmeyer P， Preindl M， et al. Long Short-Term Memory-networks for accurate state of charge estimation of liion batteries[J]. IEEE Transactions on Industrial Electronics， 2018， 65（8）： 6730-6739.

[18]劉秀麗，徐小力. 基于特征金字塔卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J]. 上海交通大學(xué)學(xué)報(bào)，2022，56（2）：182-190. Liu Xiuli， Xu Xiaoli. A fault diagnosis method based on feature pyramidal convolutional recurrent neural network[J]. Journal of Shanghai Jiaotong University， 2022， 56（2）： 182-190. （in Chinese）

[19]趙洪利，張奔，張青. 基于工況聚類(lèi)和殘差自注意力額發(fā)動(dòng)機(jī)剩余使用壽命預(yù)測(cè)[J]. 航空科學(xué)技術(shù)，2023，34（4）：31-40. Zhao Hongli， Zhang Ben， Zhang Qing. Engine remaining use‐ful life prediction based on operating condition clustering and residual self-attention[J]. Aeronautical Science & Technology， 2023， 34（4）： 31-40.（in Chinese）

Prediction Method of Auxiliary Power Unit Performance Parameter Based on DAM-QLSTM Mixed Model

Wang Kun， Zhu Yiyang

Civil Aviation University of China， Tianjin 300300， China

Abstract： Accurate prediction of the Exhaust Gas Temperature （EGT） of the aircraft Auxiliary Power Unit （APU） can effectively monitor the future operating status of the APU and prevent from safety accidents. An APU exhaust gas temperature prediction model incorporating Dual-stage Attention Mechanism （DAM） and quantile-loss guided Long Short-Term Memory （LSTM） network is proposed. The DAM is introduced to effectively quantify the correlation of input variables with EGT and to enhance the effects of historical key information on the output. Secondly， quantile-loss is used to optimize the loss function of the LSTM network to improve the prediction ability of the model further. The experimental results show that for single-step and multi-step prediction of EGT， the prediction accuracy of the proposed model is improved to a large extent compared with other prediction models， which provides a certain reference for short-term APU performance trend prediction.

Key Words： APU； EGT； LSTM； attention mechanism； quantile-loss