【Objectif】 En réponse au problème selon lequel la prédiction de la contre-pression des groupes aérauliques traditionnels basés sur les données se concentre généralement sur l'utilisation des paramètres de processus, tout en tenant rarement compte des informations caractéristiques thermodynamiques cachées dans les images du champ de température des tubes à ailettes, un modèle de prédiction de la contre-pression basé sur un mécanisme d'apprentissage profond hybride alliant vision par ordinateur et modèle de langage est proposé. 【Méthode】 Basé sur des données multimodales constituées d'images infrarouges des tubes à ailettes et des paramètres de processus du groupe, une fusion de réseau de neurones convolutionnel (CNN), de réseau à mémoire à long terme bidirectionnelle (BiLSTM) et de mécanisme d’attention (Attention) est réalisée. Le modèle utilise CNN pour extraire les caractéristiques thermiques spatiales des images infrarouges des faisceaux de tubes à ailettes, BiLSTM pour extraire les caractéristiques temporelles des paramètres opérationnels du groupe, et renforce les informations clés des pas de temps grâce au mécanisme d’attention, fusionnant ainsi les deux types de modalités au niveau des caractéristiques. Par ailleurs, pour améliorer la robustesse et la précision du modèle, une optimisation bayésienne est utilisée pour régler les hyperparamètres du réseau de neurones, et la qualité des données multimodales est améliorée par la sélection de caractéristiques et la normalisation. 【Résultats】 Les résultats expérimentaux montrent que le modèle BiLSTM+CNN+Attention proposé présente des avantages évidents en termes de précision de prédiction et de capacité de généralisation par rapport aux apprentissages automatiques traditionnels et aux apprentissages profonds sans imagerie thermique, améliorant considérablement la précision et la rapidité de la prédiction de la contre-pression. 【Conclusion】 Les résultats de recherche fournissent une solution efficace de modélisation en ligne pour le contrôle prédictif du modèle et l’optimisation opérationnelle multi-objectifs du côté froid des groupes aérauliques.

Groupes aérauliques; Prédiction de contre-pression; BiLSTM; CNN; Mécanisme d’attention; Données multimodales