基于冲击声学和无监督学习的混凝土填充钢/铝管结构脱粘和空洞的智能检测方法

《ADVANCED ENGINEERING INFORMATICS》：Intelligent detection method for debonding and voids in concrete-filled steel/aluminum tubular structures based on impact acoustics and unsupervised learning

有效融合多传感器信息对预测航空发动机剩余使用寿命（RUL）至关重要，但信号的非线性时变特性导致退化信息提取困难。本文提出基于进化图-Mamba的RUL预测方法：首先利用Kolmogorov–Arnold网络（KAN）学习健康状态下的信号映射关系，通过残差表征退化趋势；其次构建融合航空发动机内部能量流与气流传输路径的超图，形成时空超图实现多源信息融合；同时引入遗传算法的交叉（ gating机制增强图表示多样性，添加高斯白噪声模拟突变，提升模型鲁棒性。实验表明该方法在N-CMAPSS和C-MAPSS数据集上预测性能优异。

　　在现代航空制造业中，随着技术的不断进步，航空发动机的智能化水平、结构复杂性以及轻量化趋势日益显著。这种发展不仅提升了航空器的整体性能，也对航空发动机的健康状态监测和剩余使用寿命（RUL）预测提出了更高的要求。航空发动机作为飞机的核心部件，其运行状态直接影响飞行安全和运营效率。因此，建立高效、准确的RUL预测方法，对于实现智能维护和保障航空系统稳定运行具有重要意义。

在当前的工业背景下，基于数据驱动的RUL预测方法成为研究的热点。这类方法的优势在于无需构建复杂的降解模型，而是通过分析大量的监测数据，直接提取出关键特征以进行预测。近年来，深度学习技术因其强大的特征提取能力，在RUL预测领域展现出巨大的潜力。通过将多传感器信号作为输入，深度学习模型能够有效地捕捉时间序列数据中的动态变化趋势，为RUL预测提供有力支持。然而，航空发动机的运行环境复杂多变，传感器信号往往呈现出时间变化性和非线性特征，使得降解信息的提取变得模糊和困难。因此，传统的深度学习方法在处理这类数据时，往往难以准确识别降解趋势，并有效融合信号的空间和时间特性。

为了解决这一问题，本文提出了一种基于进化Graph-Mamba的RUL预测方法。该方法首先利用Kolmogorov–Arnold Networks（KAN）学习健康阶段下运行条件与传感器信号之间的映射关系，通过对比网络输出值与原始信号，提取出降解信息。这一过程不仅能够准确反映发动机的降解过程，还为后续的信息融合提供了基础。其次，本文引入了超图结构，将航空发动机内部的能量流动路径作为先验知识嵌入其中，从而构建出具有高阶多变量关系的超图。通过结合不同时间点的超图，进一步形成具有时空特性的超图结构，实现多源信息的深度融合。最后，本文通过设计一种门控机制，模拟遗传算法中的交叉操作，融合前代信息以增强Graph-Mamba生成嵌入表示的多样性；同时，加入高斯白噪声以模拟变异操作，提高预测模型的鲁棒性和可解释性。

KAN模型的提出可以追溯到2024年，由Kolmogorov和Arnold共同完成。该模型因其出色的拟合能力，在多个领域得到了广泛应用。KAN的核心理论依据是Kolmogorov–Arnold定理，该定理指出，任何在有界域上定义的光滑多元连续函数都可以通过有限个一元连续函数的多项式组合来准确表达。基于这一理论，KAN模型巧妙地将复杂的多变量问题分解为一系列简单的一元函数，从而提升了模型的表达能力和计算效率。这一特性使得KAN在处理航空发动机运行条件与传感器信号之间的复杂映射关系时，能够更加精准地捕捉数据特征，为后续的降解趋势提取奠定基础。

在航空发动机的实际运行过程中，其性能状态通常经历多个阶段，如爬升、稳定运行和下降等。这些阶段的运行条件各不相同，导致传感器信号呈现出动态变化和非线性特征。这种复杂性使得传统的RUL预测方法在面对真实运行数据时面临诸多挑战。一方面，由于缺乏明显的降解趋势，模型难以准确识别发动机的退化状态；另一方面，传感器信号之间的空间依赖关系往往被忽略，导致模型无法全面捕捉系统内部的交互作用。为了解决这些问题，本文提出了一种基于KAN的降解趋势提取方法。该方法通过构建健康阶段下运行条件与传感器信号之间的映射模型，输出相应的健康值，并通过比较该健康值与原始传感器数据之间的残差，提取出降解趋势。这种残差不仅能够反映发动机的退化过程，还能够为后续的建模和预测提供更为清晰的数据支持。

为了更好地融合多传感器信号的空间和时间特性，本文引入了超图结构。航空发动机内部的能量流动路径和气流传输路径可以作为先验知识，被嵌入到超图的构建过程中。通过将这些路径转化为超边，形成具有高阶多变量关系的超图，从而增强了模型对数据空间依赖性的理解。进一步地，本文将不同时间点的超图进行关联，构建出具有时空特性的超图结构，使得模型能够在更广泛的数据背景下进行信息融合。这一方法不仅能够捕捉传感器信号之间的复杂交互关系，还能够结合先验知识，提升预测模型的准确性和可靠性。

在模型优化方面，本文借鉴了遗传算法的交叉和变异机制，对Graph-Mamba进行进化优化。通过设计一种门控机制，模拟遗传算法中的交叉操作，将前代信息融合到当前模型中，从而增强Graph-Mamba生成嵌入表示的能力。同时，为了提高模型的鲁棒性，本文在训练过程中加入了高斯白噪声，模拟遗传算法中的变异操作，使得模型能够更好地适应不同的运行条件和数据变化。这种进化优化策略不仅提升了模型的泛化能力，还增强了其在实际应用中的稳定性。

本文的研究方法在实际应用中具有重要的意义。通过将多传感器信号与先验知识相结合，构建出具有时空特性的超图结构，使得RUL预测模型能够更全面地理解航空发动机的运行状态和退化过程。同时，基于KAN的降解趋势提取方法为模型提供了更为准确的输入特征，从而提升了预测的精度。此外，进化优化策略的应用使得模型能够在复杂的运行条件下保持良好的性能，为航空发动机的智能维护提供了有力支持。

在实验验证方面，本文采用了NASA提供的N-CMAPSS和C-MAPSS两个数据集。这两个数据集均基于C-MAPSS模型构建，涵盖了航空发动机在不同运行阶段的监测数据。其中，N-CMAPSS数据集通过将降解过程与实际操作历史数据相结合，有效解决了传统模拟数据与工程应用脱节的问题。本文在这些数据集上进行了详细的实验分析，验证了所提出方法的有效性。实验结果表明，基于进化Graph-Mamba的RUL预测方法在多个评估指标上均优于传统方法，展现出良好的预测性能。

本文的研究成果不仅为航空发动机的RUL预测提供了新的思路和方法，还为其他复杂系统的状态监测和寿命预测提供了借鉴。通过将KAN与超图结构相结合，并引入遗传算法的进化机制，本文构建了一个能够有效融合多源信息、捕捉复杂依赖关系的预测模型。这一模型在实际应用中具有广泛的前景，能够为航空制造企业提供更加智能和高效的维护方案，进一步提升航空系统的安全性和可靠性。

综上所述，本文提出了一种基于进化Graph-Mamba的航空发动机RUL预测方法。该方法通过KAN提取降解趋势，结合超图结构融合多源信息，并利用遗传算法的进化机制优化模型性能。实验结果表明，该方法在多个数据集上均表现出优异的预测能力，为航空发动机的智能维护提供了新的技术支持。未来，随着更多数据的积累和算法的不断优化，这一方法有望在更广泛的工业场景中得到应用，为提升航空系统的运行效率和安全性做出更大贡献。