一种基于维护意识的动态图卷积来预测复杂设备性能退化趋势的方法

《Engineering Applications of Artificial Intelligence》：A method for predicting performance degradation trends in complex equipment based on maintenance-aware dynamic graph convolution

　　摘要
准确地对航空发动机性能退化过程进行建模和预测，是实现基于状态的维护和智能健康管理的重要基础。排气温度（EGT）作为反映航空发动机热状态和燃气路径性能退化的重要指标，会受到多种因素的影响，包括运行条件变化、环境干扰、传感器噪声以及在实际运行条件下的维护事件。然而，从这些复杂信号中有效提取与退化相关的特征仍然具有挑战性，这限制了长期退化趋势预测的准确性。为了解决这些问题，本研究提出了一个进化图卷积特征网络（EGCFNet）来预测航空发动机的EGT退化趋势。首先，开发了一个频域趋势提取模块，以自适应地提取与退化相关的频域特征并抑制不相关的干扰，从而提高退化表示能力。其次，引入了一个门控解耦时间注意力机制，将与退化相关的特征与操作变化区分开来。此外，还开发了一个基于维护意识的动态图卷积模块，通过建模在维护引起的状态转换下多源监控参数之间的动态相关性来捕捉发动机性能的演变。最后，设计了一个双分支预测结构，以联合建模长期退化趋势和局部动态变化，从而提高预测准确性。所提出的方法使用实际航空发动机的喷水维护数据集和公共基准数据集进行了验证。实验结果表明，与代表性的基线模型相比，EGCFNet在预测准确性和鲁棒性方面表现出色，展示了其在航空发动机健康监测和预测性维护应用中的潜力。

引言
作为现代航空的核心动力装置，航空发动机是一个高度复杂且精密集成的热机械系统。其性能直接决定了飞机的整体安全性、运行经济性和任务可靠性。在整个航空发动机的使用寿命期间，由于极端高温、高压和严重的机械载荷等恶劣的运行环境，热端部件不可避免地会遭受蠕变、氧化、腐蚀和热疲劳损伤（Sun等人，2023年）。同时，冷端部件（如压缩机的叶片和流道）也会因吸入大气中的灰尘、污染物或结冰而发生积垢、侵蚀或几何变形。这些微观和宏观的物理和化学变化是耦合并累积的，共同构成了发动机性能逐渐下降的本质。这种性能退化不是一夜之间发生的，而是贯穿从运行到最终退役的整个生命周期的连续、动态且通常是加速的演变过程（Soualhi等人，2024年；Xiao等人，2025年）。因此，准确监测、建模和预测发动机性能退化过程已成为确保航空运行安全、提高经济效率并确保运行准备状态的关键技术（Mitici等人，2023年）。
随着航空技术的不断发展，新一代航空发动机正朝着更高的旁通比、更高的涡轮入口温度、更高的推重比和更长的设计寿命方向发展。这些技术飞跃不仅带来了卓越的性能优势，也使得发动机内部的工作环境更加苛刻，组件之间的耦合关系更加复杂，性能退化机制更加非线性、时变和交互性强（Magrini等人，2020年；Huang等人，2026年）。在这种情况下，基于固定运行小时数或固定升降周期的传统预防性维护策略的固有限制日益凸显。这种基于时间的维修模型一方面可能导致由于过度保守的维护而造成资源浪费，另一方面可能由于未能及时捕捉到加速的退化而带来运行风险。在实际复杂且多变的服务环境中，很难适应发动机性能退化率的动态波动和演变差异（Wen等人，2025年）。因此，航空发动机的运营理念正在向基于数据的基于状态的维护转变，而不是传统的预防性维护方式。维护意识的本质是在必要时才进行维修，这严重依赖于对发动机健康状况的准确实时监测和对进一步恶化模式的有效预测。EGT是表征整体燃气路径效率和热端部件健康状况的最重要和最直观的指标参数之一，这一点得到了工程界和学术界的广泛认同。这一事实归因于其相对便捷可靠的测量方法和其对核心发动机性能变化的高度敏感性（Sun等人，2025年；Xie等人，2025年）。然而，直接在真实飞行操作环境中测量的原始EGT信号并不是纯粹的性能退化指标。它是一个受到多种复杂因素影响的混合信号。首先，飞行状态本身的剧烈变化对其影响最大。从起飞、爬升、巡航到下降和着陆，发动机在不同阶段的推力设置、气流、速度等运行参数都非常不同，这必然会导致EGT的大规模且与退化无关的波动（Zhang等人，2025年）。其次，环境条件的变化，如不同机场的海拔、环境温度和湿度的变化，也会显著影响发动机的进气条件和散热效率，从而在EGT信号中引入显著的干扰。此外，飞行员的操作指令和自动油门系统的微调也会带来瞬态响应。最后，传感器本身的测量噪声和数据传输过程中的随机干扰也非常普遍。所有这些因素都与发动机固有的缓慢退化趋势紧密耦合并叠加在一起，使得原始EGT信号表现出强烈的非平稳性、高噪声和强烈的工作条件依赖性（Kefalas等人，2022年）。这种真实的性能退化趋势被强烈的工作条件波动和随机噪声所掩盖，这构成了从时域信号中直接且有效地提取具有明确物理意义的长期退化趋势的根本难度，并严重限制了基于这些数据的任何预测模型的最终准确性、鲁棒性和工程实际可靠性（Cheng等人，2026年）。
为了应对航空发动机性能退化建模的复杂挑战，学术界和工业界进行了长期而广泛的研究，形成了多种方法演变路径。第一类基于传统的物理机制和经典统计推断方法。例如，基于回归的方法建立了运行条件和发动机性能变量之间的统计映射，以补偿由状态引起的变化，并随后使用条件标准化的性能偏差或退化轨迹进行发动机健康监测和预测（Tsoutsanis和Meskin，2017年；Zhao等人，2025年）。卡尔曼滤波器及其扩展变体通过状态空间模型实时估计不可观测的性能参数偏差，通常称为健康参数（Daroogheh等人，2018年）。组件匹配和基于模型的性能适应依赖于非线性航空热力学模型来调整组件特性（如流量能力和效率），使模拟的发动机响应与测量数据一致，从而实现对性能 deteriorations 的定量表征（Wei等人，2023年；Kang和Kim，2018年）。这些方法通常具有良好的物理可解释性，但它们往往依赖于简化的发动机运行模型，对噪声的统计特性有强假设，或者需要高精度的组件级特性图。因此，在实际应用中难以准确捕捉现实世界中复杂且时变运行条件下的非线性动态和不确定性（Guo等人，2024年）。第二类包括传统的机器学习技术，特别是支持向量机（Ren等人，2020年；Tao等人，2018年）和随机森林（Yang等人，2023年）。它们不依赖于精确的物理模型，可以从历史数据中学习复杂的非线性映射关系，并具有改进的灵活性和自动化能力。然而，在处理长时间序列数据时，这些方法在模拟时间序列依赖性方面能力有限。特别是在处理发动机性能预测时，面对强烈的时间序列和噪声问题时，它们仍然不足。第三类是近年来随着计算能力和数据积累而出现的深度学习方法。由循环神经网络（Li等人，2026年；Liu和Teh，2025年）、长短期记忆（LSTM）网络（de Pater和Mitici，2023年）等表示的序列模型，以及基于自注意力机制的最近出现的Transformer（Zhang等人，2023年；Xiang等人，2024年；Du等人，2025年）架构，凭借其强大的特征自动提取能力和对远距离依赖性的建模潜力，在发动机剩余使用寿命（RUL）和性能参数预测等任务中显示出显著的性能优势。它们可以从原始数据或简单预处理的数据端到端学习有效的表示。然而，大多数现有的深度学习模型本质上仍然是黑盒或灰盒数据驱动的拟合。优化目标通常是最小化总体预测误差，缺乏对EGT信号内部物理组成的明确建模和强制分离机制（如确定性退化趋势、状态相关波动、随机噪声）。因此，这些模型往往受到高幅度、快速变化的干扰的影响，这会削弱它们对缓慢但关键恶化演变的敏感性。这可能导致短期内有良好的拟合效果，但从长远来看会有显著偏差。为了更全面地利用分布在发动机中的多源传感器信息，最近的研究开始探索图神经网络。这些方法对不同传感器参数之间的空间相关性和物理约束拓扑进行建模，将发动机视为一个传感器网络。通过图结构学习动态的参数间关系，它们共同提取时空特征，并在解决多变量协同预测挑战方面显示出广阔的潜力（Wu等人，2025年；Dintén等人，2026年；Feng等人，2025年）。
结合图1中显示的特征，预测实际运行环境中航空发动机的EGT趋势仍然面临三个相互关联的挑战。首先，飞行条件、外部环境和控制策略的持续变化导致原始EGT序列表现出显著的非平稳性，使得难以可靠地表征长期退化模式。其次，高频噪声和随机波动可能会掩盖低频、缓慢变化的趋势，使得模型难以从复杂观测中提取有效的退化信息。此外，如喷水维护和组件更换等维护事件可能会导致时间序列中的阶跃变化和分布转移，改变维护前后的状态演变模式。这些因素的综合效应不仅增加了趋势提取和状态识别的难度，也削弱了固定结构模型在复杂运行条件和涉及突发维护的情景下的预测稳定性和泛化能力。为了解决这些挑战，本研究提出了EGCFNet模型，以提高航空发动机EGT性能退化建模和趋势预测的准确性和鲁棒性。该方法的核心创新包括以下四个方面：
(1) 提出了一种频域趋势提取模块，以在复杂、非平稳的EGT信号中自适应地增强物理退化特征。为了解决航空发动机EGT信号中的长期退化趋势容易被运行条件变化和随机噪声掩盖的问题，构建了一个可学习的复杂频谱滤波器，以自适应地调整频域中不同频率成分的幅度和相位响应。这增强了表征性能退化的低频演变信息，同时抑制了高频随机干扰，从而有效地将退化趋势与运行波动解耦，提高了复杂运行环境中健康状态表征的稳定性和可解释性。
(2) 提出了一种基于维护意识的动态图卷积机制，实现由退化过程和维护事件共同驱动的参数拓扑重构。针对传统静态图结构难以描述喷水维护引起的状态突变和参数相关性变化的问题，引入了基于维护意识的机制，将维护事件的影响嵌入到动态图生成过程中。通过自适应调节节点之间的相关性权重，实现了具有退化-维护-恢复过程的传感器拓扑结构的动态演化，并增强了模型描述维护干预效果和多变量耦合关系变化的能力。(3) 提出了一种门控解耦时间注意力机制，以增强对非稳态退化过程长期演化规律的建模。针对传统时间序列模型均匀编码退化趋势、工作条件波动和随机噪声的问题，导致关键健康信息的干扰，构建了一种自适应门控解耦结构。时间序列特征被映射到趋势子空间和干扰子空间，在趋势空间中加强了长期依赖性学习。在保持局部动态响应能力的同时，减少了噪声传播的影响，提高了模型对长期退化轨迹的感知能力和泛化性能。(4) 构建了一种双分支协作预测架构，以突破单回归头在多尺度退化演化建模中的局限性。全局线性分支通过显式投影约束聚合图的时空特性，强制保持EGT的长期单调退化骨架，以确保物理一致性。深度非线性分支对局部时变特征进行高阶交互式拟合，以捕捉水洗转换和工作条件干扰。两个分支通过可学习的门控机制自适应融合，能够在保持整体退化方向一致性的同时，准确响应局部突变，有效抑制长期预测中的误差累积，提高趋势预测的鲁棒性和工程适用性。

**方法论**
航空发动机的性能退化受到许多因素的影响，如部件老化、工作条件变化、环境干扰和维护活动，且状态监测信号表现出显著的非平稳性。作为表征气体通路性能和热端健康状况的重要参数，EGT的观测信号由退化趋势、操作波动和随机噪声组成。因此，提取可靠的数据对于评估所提出的EGCFNet的实际效果至关重要。

**数据来源与组成**
为了评估EGCFNet的实际效果，我们选择了安装在航空公司A320机队上的CFM56-5B发动机作为测试平台。使用包含完整清洗记录的实际发动机监测数据构建了数据集，以评估模型在复杂工作条件和维护干预下的退化建模和预测能力。

**关键状态参数的选择**
为了系统分析水洗循环期间发动机性能的演变，本研究选择了九个核心状态参数。

**结论**
本研究提出了一种EGCFNet预测模型，以解决由于退化演化、操作变化和维护干预导致的航空发动机EGT的非平稳退化和突然状态变化问题。为了克服传统时间序列方法在提取退化趋势、抑制噪声和建模维护事件方面的局限性，开发了一种基于可学习复谱滤波器的频谱域趋势提取模块。

**CRediT作者贡献声明**
李俊发：撰写——原始草稿，软件，方法论。孙友超：验证，监督，调查。刘浩：验证，调查。王浩：验证，调查。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

**致谢**
本研究得到了国家自然科学基金与中国民用航空局联合基金（项目编号U2033202, U1333119）、国家自然科学基金（项目编号52172387）、中国航空科学基金会（2022Z071052001）以及江苏省研究生研究与实践创新计划（26CXJH0976）的财政支持。

**作者信息**
李俊发 | 孙友超 | 刘浩 | 王浩