航空发动机性能退化数据缺失的约束式智能填补方法CUR-Estimator研究

为解决航空发动机生命周期性能数据因采样间隔不均和长期缺失导致的填补不合理问题，哈尔滨工业大学团队提出融合时间间隔感知网络与统计约束的CUR-Estimator模型。该研究通过Transformer增强门控循环单元编码时间间隔信息，结合PCHIP插值约束神经网络输出范围，在C-MAPSS仿真和真实航空发动机数据实验中验证了方法的高精度与强稳定性，为复杂装备PHM（故障预测与健康管理）提供可靠数据支撑。

　　

航空发动机作为现代航空器的"心脏"，其性能退化数据的完整性直接关系到故障预测与健康管理（PHM）系统的可靠性。然而，在实际运行中，传感器故障、极端工况导致的超量程现象，以及不同飞行任务阶段（如起飞、巡航）的持续时间差异，使得采集到的性能数据存在复杂的缺失问题。传统等间隔时间序列填补方法（如GRU-D、BRITS）难以应对这种非均匀采样场景，而纯神经网络方法又易产生偏离实际分布的"不合理填补值"——例如在长期数据缺失时可能输出远超正常范围的异常值，这成为制约航空发动机智能运维的关键瓶颈。

针对这一挑战，哈尔滨工业大学的研究团队在《Neurocomputing》发表了一项创新性研究，提出名为"约束式未知恢复估计器"（Constrained Unseen Recovery Estimator, CUR-Estimator）的新型填补框架。该研究通过两个核心技术突破：一是设计间隔感知时序填补网络（Interval-Aware Temporal Imputation Network, ITIN），利用Transformer机制将非均匀时间间隔转化为权重系数，动态调节GRU隐藏状态对缺失段的影响；二是引入PCHIP插值作为约束组件，通过统计方法提供的合理值范围限制神经网络输出，显著降低"不合理填补"的发生概率。实验表明，该方法在C-MAPSS仿真数据集和真实民航发动机数据上的填补误差比现有最优方法降低15%-30%，尤其在长间隔缺失场景下优势显著。

关键技术方法包括：1）基于飞行阶段特征提取的航空发动机生命周期数据建模；2）融合自注意力机制的时间间隔编码器；3）GRU网络与PCHIP插值的联合优化策略；4）使用包含均方误差和约束偏差的多目标损失函数。研究采用美国NASA的C-MAPSS数据集和国内某型民航发动机真实运行数据进行验证，通过随机掩蔽构造不同缺失率（10%-50%）和缺失时长（1-3个采样点）的测试场景。

主要研究结果包括：
间隔感知时序填补网络设计：通过将相邻采样点的时间间隔Δt_n与缺失掩码共同输入Transformer层，生成调节权重α_n和β_n，分别控制当前观测值x_n和历史隐藏状态h_n-1对填补结果的影响。实验显示该设计使短间隔（Δt_n<5h）场景的填补误差降低22%。
约束组件优化效果：对比单独使用ITIN网络，加入PCHIP约束后，在50%高缺失率条件下，输出值超出正常范围的概率从8.7%降至1.3%，且填补曲线振荡幅度减少60%。
跨数据集泛化能力：在真实发动机数据测试中，CUR-Estimator的均方根误差（RMSE）比CSDI（条件分数扩散模型）低0.041，证明其对于工业数据噪声的强鲁棒性。

该研究的核心价值在于首次实现了航空发动机非均匀采样数据的可靠智能填补：一方面通过时间间隔的动态编码解决了传统方法忽略飞行阶段差异的缺陷；另一方面通过"神经网络+统计约束"的混合架构，在保持深度学习强大表征能力的同时，规避了纯数据驱动方法的不确定性风险。这为航空发动机PHM系统的实际部署提供了关键技术支撑，其设计思路也可拓展至风电、高铁等其他复杂装备的运维数据分析领域。作者团队特别指出，未来工作将探索更多先验知识（如物理退化模型）与神经网络的融合方式，进一步提升在极端缺失场景下的填补可靠性。