在液压系统中,液压管路是实现压力传导功能的重要组成部分,其压力值的变化不容忽视。在环境误差等因素的影响下,液压管路的压力变化呈现非线性和不稳定性。为解决该问题,提出基于粒子群优化算法(PSO)改进的基于注意力机制(Attention)的长短期记忆神经网络(LSTM)的液压管路压力预测方案。用某飞机液压管路的压力检测值作为输入数据,实现液压管路某支路位置的压力预测,并完成预测结果的可视化。实验结果表明,该模型预测平均误差为1.78%,符合液压管路压力预测要求。

针对传统仿真软件单次计算只能对应一种特定条件,且具有耗时长、设定值偏离实测值等问题,基于数据融合技术对仿真处理方法进行改进。使用传感器实测数据作为仿真的条件参数,依据流体力学建立管道仿真模型,结合Web技术建立在线仿真平台,提供简洁的数据交互方式,多工况、高自由度的仿真逻辑。经过实践证明:方法能在保证计算精度的同时提高仿真速度,改善了传统仿真难以应对多工况与高自由度的问题,在实际生产中具有一定的指导作用。