来源：期刊VIP网 时间：
作者：杨超;毛军逵;杨悦;王飞龙;邵发宁;毕帅;
单位：南京航空航天大学能源与动力学院;
摘要：为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战，本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络（BO-MTLLSTM）多级涡轮过渡态叶尖间隙智能预测模型，以实现过渡态叶尖间隙高效、高精度预测。在BOMTL-LSTM模型中，通过高效的长短期记忆神经网络（Long Short-Term Memory,LSTM）模型对基于有限元分析方法得到的高精度过渡态叶尖间隙时序信息进行学习，并在LSTM模型的基础上，引入多任务学习（Multi-Task Learning,MTL）用于多个叶尖间隙预测任务之间的信息共享，以缓解高维度变量复杂空间耦合作用的影响。同时，结合贝叶斯优化（Bayesian Optimization,BO）对神经网络模型超参数进行全局自动优化，提升预测精度与训练效率。结果表明，相比于传统计算模型，BO-MTL-LSTM模型在同等预测精度下，能够在秒量级时间内完成一个完整发动机历程的多级涡轮过渡态叶尖间隙的预测。此外，相比常规的BO-LSTM模型，BO-MTL-LSTM模型的均方根误差和平均绝对误差分别降低了84.39%和89.21%，模型训练时间缩短了30%，该模型可以实现多级叶尖间隙的高效、精准预测。
关键词：多级涡轮;;叶尖间隙预测;;多任务学习;;长短期记忆神经网络;;贝叶斯优化
基金资助：国家科技重大专项（2017-Ⅲ-0010-0036）~~
