数据增强的部件退化数字孪生框架用于航空发动机气路参数预测

《Mathematics》：Data-Enhanced Component Degradation Digital Twin for Aero-Engine Gas-Path Parameter Prediction

　　

航空发动机的部件退化会导致局部模型失配。部件响应更新与发动机级预测修正之间协调不足，可能限制气路预测精度的提升。因此，研究人员提出了一种数据增强的部件退化数字孪生框架，用于航空发动机气路参数预测。该框架通过选择性部件替换、气路与轴系接口耦合以及发动机级预测协调，将退化部件响应更新与发动机级预测修正相连接。在设定的低压压气机（LPC）效率退化条件下，采用多自注意力长短期记忆网络（MA-LSTM）替换LPC的输入—输出映射，其余部件的物理表征予以保留，形成数据驱动模型融合机理模型（DMIM）。所学习的部件响应通过质量流量、总温、总压、总比焓和输出扭矩，与下游气路模块及轴系计算相连。随后，采用改进卡尔曼滤波（AKF）策略，将DMIM预测与并行的发动机级数据驱动模型预测进行协调。该框架在六个模拟LPC效率退化情景下进行评估，包含两种退化幅度和三种退化持续时间。所提框架取得平均决定系数（R2）0.94、平均绝对百分比误差（MAPE）2.3%，各预测参数的最大MAPE为3.9%。与原始物理模型和单独的MA-LSTM模型相比，平均MAPE分别降低约61.0%和36.1%。这些结果表明，在设定退化情景下，协调部件级更新与发动机级预测可提升整体气路参数预测性能。

研究背景方面，航空发动机气路参数（压力、温度、轴转速）的准确预测是状态监测与基于模型的健康管理的基础。部件退化会改变部件出口流动条件，并通过气路连接与轴系耦合影响整机响应；采用名义部件特性构建的模型在部件性能偏离名义状态时会产生预测误差。现有混合建模研究可分为部件响应建模、模型耦合与发动机级预测三个层面：部件响应建模通过更新部件特性或替换局部输入—输出映射来表征性能变化，但局部精度提升未必带来整机预测改善；模型耦合通过嵌入发动机结构信息或将学习模块与物理模块相连来表征部件交互，但结构信息不能直接替代计算接口，模块连接还需气路变量与轴系动力学量的显式传递关系；发动机级预测通过误差补偿或多模型融合改善输出，其效果取决于补偿信息、模型互补性与融合策略，且不能直接替代内部部件表征的更新。因此，退化条件下气路预测需要三个相互关联的要素：在保留其余部件物理描述的同时更新退化部件响应、通过显式气路与轴扭矩接口传播局部变化、将部件更新与残余整机误差修正相连接。基于此，研究人员提出了数据驱动模型融合数字孪生（DMIDT）框架，将退化部件的学习表征嵌入发动机级物理计算，并与发动机级数据驱动预测相融合。主要贡献包括：面向部件退化的选择性模型替换，即在设定LPC效率退化下以MA-LSTM替换LPC输入—输出映射、保留其余部件物理表征形成DMIM，使数据驱动信息直接作用于退化部件对应的计算环节；气路与轴系接口耦合，即通过质量流量、总温、总压、总比焓与输出扭矩将学习模型与相邻气路模块及轴系计算相连，使部件代理参与发动机内部计算；以及部件级替换与发动机级预测融合相结合的协调架构，即采用AKF策略协调DMIM预测与并行发动机级数据驱动模型（DDM）预测，对指定参数实施卡尔曼式融合，而P23由DDM直接预测。研究采用六个模拟LPC效率退化情景（两种退化幅度、三种退化持续时间）进行评估，并与原始物理模型及多种数据驱动模型比较。

关键技术方法方面，研究人员基于Matlab 2023b/Simulink平台的T-MATS工具箱构建部件级机理模型（MDM），采用牛顿—拉夫逊（N-R）迭代求解器求解部件匹配方程；以多自注意力与LSTM组合的MA-LSTM网络替换退化LPC的机理模型，形成DMIM；构建并行的发动机级MA-LSTM结构数据驱动模型DDM；采用AKF对两路预测进行特征级融合，其中P23由DDM直接给出。退化数据由经微调的仿真模型生成，涉及两种退化幅度（10%、15%）与三种持续时间（5 s、10 s、15 s）共六个情景，并叠加约±0.5%的高斯扰动。数据来源方面，文中声明所用数据可从NASA开放数据门户获取的C-MAPSS喷气发动机模拟数据访问。

研究结果方面，在MA-LSTM部件预测中，每个退化情景采集50个样本点，六情景共300个样本点，按7:3划分训练与测试（每情景35个训练点、15个测试点），并保持时间顺序划分以避免信息泄漏、归一化参数仅由训练子集计算。结果显示MA-LSTM能较好模拟退化LPC部件，四个气路输出的R²为0.99，扭矩为0.95，MAPE几乎均低于1%，仅TrqOut的MAPE略高于1%。与RNN、GRU、LSTM、Transformer、MLP及MA-RNN、MA-GRU等结构的对比表明，MA-LSTM的R²均值与最小值明显更高、MAPE更低，RNN类优于MLP与Transformer等基础模型，多自注意力增强后性能进一步提升。在DMIM评估中，传统机理模型在部件退化下表现欠佳，退化发生时LPC效率下降导致其输出流量突降并影响下游部件气路流动、引起多个截面温度整体上升，MDM预测出现突变并产生较大残差；DMIM的LPC为预训练的MA-LSTM，能以更高精度和稳定性处理退化。DMIM在所列出参数上MAPE更低、R²更高，除P23外各参数RMSE更低；P23的RMSE为DMIM 0.36、MDM 0.15，未呈现一致改善。MDM的R²平均低于0.5、部分低于0，说明其不仅无法解释因变量变异，甚至劣于基于均值的简单模型；DMIM对P23的R²为负，故P23由DDM直接预测而不经高斯噪声与卡尔曼滤波，再与其余经滤波参数拼接形成最终DMIDT输出，该混合融合方式称为AKF。在DMIDT对比实验中，MLP与Transformer等基础神经网络表现最差，基础RNN类因能捕捉序列特征而更优，MA机制增强的RNN均优于其基础版本，所提DMIDT融合方法在部件级性能退化条件下的气路参数预测任务中表现最佳，平均R²为0.94、平均MAPE为2.3%。此外，将可用内存由8 GB降至4 GB的补充实验在配备NVIDIA GeForce RTX 4070 GPU的平台上完成，两种内存配置下执行时间无实质差异。

讨论与结论部分，研究人员指出DMIDT通过AKF融合DMIM与DDM：DDM为基于MA-LSTM的系统级气路参数预测网络，由历史数据训练，可在卡尔曼滤波中表征预测参数的传感器输出；DMIM为机理结构模型，其中退化部件（本文假定为LPC）由MA-LSTM替换，其输出作为卡尔曼滤波的系统先验状态估计。DMIM被证明能够处理部件级性能退化并将其参数输出传递给后续部件。与传统方法相比，DMIDT以简洁性和高预测精度应对传统机理模型预测不准的挑战。按表格取整值的算术平均，RNN/GRU/LSTM组平均R²约0.717、平均MAPE约7.17%，MA-RNN/MA-GRU/MA-LSTM组相应均值约0.853与4.87%；DMIDT平均R²分别提升约0.223和0.087，平均MAPE分别降低约4.87和2.57个百分点。这些结果证明了所评估实现在所测试LPC退化仿真条件下的性能。对于工业应用，该框架通过更新受影响部件模型并保留其余基于物理的发动机模型，为部件退化下改善气路预测提供了实用途径，这种定向适配可复用现有建模资源、减少大规模模型重建需求，为更经济的模型维护与升级提供基础。未来工作将聚焦于利用真实发动机数据验证DMIDT框架、扩展至多部件与并发退化情景，并考虑重复实验与统计分析以进一步评估预测鲁棒性；同时将研究在线与增量学习、跨发动机类型的迁移学习以及注意力权重的可解释性，探索替代融合方法、AKF策略的敏感性与基于卡尔曼后验协方差的不确定性量化，考虑将DMIDT预测与剩余使用寿命（RUL）估计相结合，并开展嵌入式硬件上的实时部署（包括延迟、内存占用与吞吐量评估）以及通过燃油—空气比（FAR）调节的闭环发动机控制。