物理约束多LSTM网络

跨转速泛化预测

将运动方程、状态依赖和迟滞本构关系嵌入深度LSTM网络训练，在保持高精度的同时显著提升对分布外输入的预测泛化能力。

Jiang, Dong · Meisheng, Zhang · Yongjie, Xu · 钱慧 · Yichao, Yang · 张大海 · Qinghua, Liu

Aerospace Science and Technology 2024

技术优势

跨转速预测不失准

物理约束引导训练过程在符合物理定律的解空间内搜索，使模型对未见过的转速输入仍能保持响应预测精度。

外推时更可信

嵌入运动方程、状态依赖和迟滞本构关系后，模型在分布外输入下仍保持强鲁棒性，可作为转子系统的代理模型。

应用场景

• 旋转机械数字孪生：用训练好的代理模型快速预测转子响应，替代高成本数值模拟，加速数字孪生模型构建。
• 转子故障诊断：对不同故障样本差异较大的数据仍能准确预测响应，可作为故障诊断系统的核心预测模块。
• 航空发动机状态监测：在模拟燃气发生器转子上验证了可行性，可为航空发动机转子提供快速健康状态评估。
• 高速转子动力学仿真：跨转速验证表明模型能适应不同工况，可直接用于高速转子动力学仿真中的响应计算。