陆 超，李晓瑜，姚艳玲，唐晓澜，彭 宇，王书福

(1. 中国航发四川燃气涡轮研究院高空模拟技术重点实验室 四川 绵阳 621000；2. 电子科技大学信息与软件工程学院 成都 610054；3. 西南石油大学计算机科学学院 成都 610500)

航空发动机是飞机最重要的部件之一，在飞机飞行发生的故障中发动机故障占相当大的比例，且一旦发生故障会致命。航空发动机中各传感器的数据曲线反应了当前该发动机是否处于正常的工作状态。因此，通过有效的手段监控航空发动机传感器数据变化趋势对飞机飞行安全有着重大的意义。

由于航空发动机传感器数据属于时序数据，因此对于航空发动机传感器数据的预测可以看作是时序数据预测。传统的时间序列预测模型主要为线性模型，如AR(autoregressive)、MR(moving average)、ARMA(autoregressive moving average)、ARIMA(autoregressive integrated moving average)等[1-8]，针对平稳时间序列预测有着较好的效果。但大部分数据如股市数据、水文数据或者航空发动机传感器数据都具有非线性特征，传统的线性预测很难得到较好的预测结果。神经网络和自适应算法等非线性模型的提出解决了此问题[9-20]。其中通过基于深度学习构建神经网络模型因其自身强大的特征提取能力和自我学习能力，对具有非线性特征的时间序列数据的预测有着良好的效果。文献[21]提出了基于LSTM的预测模型，对有明显的非线性和不确定性波动的PM2.5浓度进行了预测。文献[22]提出了一种基于注意力机制的CNN(convolutional neural networks)和LSTM(long short-term memory)的联合模型，在真实的热电联产供热时序数据上进行预测，相较于传统的时序预测模型得到了更为精确的预测结果。……