面向航空发动机剩余寿命预测的知识引导动态时空图学习网络

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Knowledge-informed dynamic spatiotemporal graph learning network for aeroengine remaining useful life prediction.

　　

•提出了一种设备-部件-传感器级联框架来评估传感器物理依赖关系。
•利用局部与历史退化数据建立了动态特征图。
•不同运行时间下的退化特征进行差异化更新。
•提高了复杂条件下的剩余使用寿命预测精度。

引言

作为现代航空器的关键核心部件，航空发动机的性能直接决定了飞行效率与安全。因此，对剩余使用寿命（RUL）的准确预测对于运行状态监测和提升飞行可靠性至关重要。预测与健康管理（PHM）系统具备有效的故障检测和预警诊断能力，使其成为实际工程应用领域智能维护决策的有效手段。作为PHM系统的关键阶段，RUL预测旨在根据对采集的多传感器信号数据的分析，估算设备失效前的剩余运行时间，旨在为预测性维护调度提供有价值的信息，以避免或减少因意外停机而导致的事故风险和经济损失[1]。

目前关于RUL预测的研究大致可分为基于物理模型的方法和数据驱动的方法[2]。由于航空发动机的飞行条件各异且运行机理复杂，统计模型难以准确表征设备的运行状态[3]。相比之下，数据驱动方法仅依赖对历史运行至失效数据的探索即可实现RUL估算，不受特定模型物理的约束。凭借其退化过程可视化直观的优势，多源数据综合集成构建健康指标（HI）在数据驱动RUL预测中得到了广泛采用，尤其针对旋转机械。多个传感器信号首先被转换为复合信号表示，随后采用不同技术来阐释设备健康状态演化并实现RUL估算。根据信号特征提取、特征构建和融合策略的差异，HI的构建通常通过时频信号特征处理[4]、统计相似度或距离度量以及基于算法的建模技术[5]来完成。Wang等人[6]引入了一种基于经验模态分解（EMD）的漂移增量提取策略，将退化特征从随机波动中分离出来并纳入Wiener退化模型，以提高RUL预测精度。Peng等人[7]将退化轨迹划分为多个阶段，并构建了分段轨迹相似度方法，通过对多组最佳匹配HI曲线的加权聚合来估算RUL。Qin等人[8]构建了集成学习模型，其中异构机器学习算法被整合以提高对不同工作条件下输入输出数据高变化的适应性。

然而，对于由多个部件系统组成的复杂设备（如航空发动机），其运行状态由与不同部件关联的多个传感器共同反映。在从高维传感器测量值转换为单维指标的过程中，一些有用的退化信息可能会不可避免地丢失。随着数据采集技术和人工智能算法的发展，卷积神经网络（CNN）[9]和循环神经网络（RNN）[10]等深度学习算法在航空发动机RUL预测领域越来越流行。基于CNN卓越的局部特征提取能力，Li等人[11]开发了一种混合多尺度网络，其中采用不同的卷积核尺寸来捕获多维时间序列（MTS）数据特征以实现准确的RUL预测。类似地，Jiang等人[12]提出了一种基于多层CNN网络的深度无监督域适应滚动RUL预测算法，其中开发了三头CNN来最小化源域与目标域之间的分布差异。

为了进一步捕获多维信号数据的空间依赖性，基于图神经网络（GNN）的学习框架被提出，通过图结构来阐明传感器之间的交互关系。其在表示图结构信息方面的出色性能使其在RUL预测方面更具能力。Li等人[13]提出了一种层次化注意力图卷积网络，其中不同的传感器被建模为图节点，并根据它们的互余弦相似度生成邻接矩阵。Wang等人[14]进一步探讨了传感器局部和全局趋势之间的差异，并通过自适应融合局部和全局传感器相关性建立动态图，实现了更全面的特征表示。Wu等人[15]构建了多视图全连接图框架，引入了额外的TCN模块来捕获不同时间步上局部和全局图的时序依赖性，以实现更准确的RUL预测。在此基础上，为了阐明传感器信号与设备部件之间的对应关系，先验领域知识已逐步引入图构建过程以增强RUL预测过程的可解释性。Zhang等人[16]将知识图谱（KG）集成到GNN网络中，设计了不同的KG来表征监测传感器信号与设备结构数据之间的相关性。Li等人[17]通过分析航空发动机部件的结构和运行特性，建立了传感器依赖关系模型，为深度学习算法生成更有效的特征表示。Fu等人[18]通过集成结构信息和相应工作原理建立了更完整的知识图谱，以增强和丰富原始传感器信号的嵌入向量。

尽管这些知识引导方法在一定程度上增强了RUL预测过程的可解释性，但物理信息主要用于构建先验图结构，未能指导后续的特征提取和更新阶段。不同运行阶段中传感器之间物理依赖强度的变化被忽略。不同传感器信号之间的结构相关性可能保持一致，但在不同运行条件或运行阶段下它们之间的交互强度可能存在差异。因此，根据多维传感器信号在不同时期的依赖程度对特征进行差异化更新至关重要。此外，特征图的节点表示通常来源于特定时间段内的局部时间数据，很少考虑整个历史运行过程中累积的退化特征，导致预测结果出现显著偏差。为解决上述挑战，本文提出了一种基于时空图神经网络（STGNN）的新型混合航空发动机预测方法。首先，通过分析设备结构特性和部件工作原理，获得不同时期传感器信号之间的物理依赖强度。然后对于特定时间段的特征空间图，引入设备累积退化信息进行退化特征的差异化提取，生成具有局部和长期时序模式的节点表示。最后，根据物理依赖强度动态更新退化特征，为RUL估算提供有效准确的特征表示。在公开的C-MAPSS和N-CMAPSS数据集上进行了一系列实验，对比结果验证了所提方法卓越的预测性能。主要贡献总结如下：

（1）构建了一个具有局部和历史时序退化特征的动态特征空间图。引入历史退化信息以有效捕获多传感器数据中的关键退化特征，增强了局部时序图中的特征表示。

（2）基于传感器信号之间的物理依赖分析，建立了具有不同节点权重和边权重的时序邻接矩阵。不同时期的特征进行差异化更新和聚合，增强了退化特征学习过程的可解释性。

（3）开发了一种混合RUL预测方法，将时序卷积和图卷积网络集成以提取空间和时序退化模式。通过在C-MAPSS和N-CMAPSS两个公开数据集上的实验验证了所提方法的有效性和泛化性。在RUL预测精度和后期预测方面，所提方法优于大多数现有方法。

本文剩余结构如下：第2节介绍本文使用的基本理论。第3节对所开发的方法进行了详细描述。第4节进行了一系列实验和验证分析。最后，第5节给出了本文的结论和展望。

信息理论

信息熵理论由Shannon于1949年构建[19]，用于衡量随机事件分布的不确定程度或信息含量。离散随机变量X的熵，记为H(X)，计算如下：

H(X) = -Σ p(x) log p(x)

互信息（MI）用于评估一对随机变量X和Y之间的统计依赖性。I(X, Y)表示基于从Y获得的知识对X不确定性的减少程度。

问题描述

给定一个由安装在发动机上的各种传感器采集的时间序列信号数据组成的数据集。设S_k ∈ ?^(N×T) 表示第k台发动机上N个传感器、T个时间步的样本。我们的目标是基于设备工作原理分析传感器的物理依赖性，以实现有效的退化特征提取和准确的RUL预测。为更清晰地表征不同传感器之间的物理依赖关系，基于TCG和GCN的混合预测框架被提出。

案例分析

本节利用C-MAPSS数据集评估所提方法的预测性能。并采用一些现有的先进RUL估算方法进行对比，以证明方法的有效性。主要包括数据预处理、模型训练与参数优化、预测结果可视化和对比分析。本文所有实验均在一台配备第13代Intel(R) Core(TM) i7-13700的计算机上进行。

传感器物理依赖分析

根据对涡轮发动机部件物理连接和气流方向的分析，我们可获得表2中选定传感器之间的信息传递关系。如图4所示，对于给定的行，深红色区域表示受对应传感器影响的传感器，而蓝色区域表示影响该传感器的传感器。作为示例，给出了FD001和FD003(D2)两台发动机在不同退化阶段的影响矩阵。

结论

本文提出了一种基于物理依赖性的时空图学习方法用于航空发动机RUL预测。部件结构连接性、运行功能相关性和历史退化信息的集成增强了所提取退化特征的代表性，实现了更准确的RUL预测。具体而言，根据传感器信号的空间关系构建了一系列图数据……

贡献声明

刘万林：撰写——原始草稿、数据管理、方法论、调查研究、形式化分析、可视化；周米：撰写——审阅与编辑、方法论、形式化分析、监督、资金获取；郑瑞：撰写——审阅与编辑、概念化、形式化分析、监督、资金获取；程柏毅：撰写——审阅与编辑、资金获取。

数据可用性：数据集来自公开数据库。

利益冲突声明：我们声明与本投稿工作不存在任何商业或关联利益冲突。

贡献声明

刘万林：撰写——原始草稿、可视化、方法论、调查研究、形式化分析、数据管理。周米：撰写——审阅与编辑、监督、方法论、资金获取、形式化分析。郑瑞：撰写——审阅与编辑、监督、资金获取、形式化分析、概念化。程柏毅：撰写——审阅与编辑、资金获取。