一种具有不确定性感知能力的深度神经网络框架，结合自适应引擎建模技术，用于航空燃气轮机引擎的可靠故障检测——基于飞行测试数据的验证

《Aerospace Science and Technology》：An uncertainty-aware deep neural network framework integrated with adapted engine modeling for robust sensor fault detection in aero gas turbine engines: validation using flight test data

　　金相祚韩国庆尚国立大学航空航天工程系，晋州摘要本研究提出了一种具有不确定性感知能力的深度神经网络框架，并结合适应性发动机建模，用于在航空燃气轮机引擎中实现可靠的传感器故障检测。在实际应用中，由于缺乏真实的参考值，以及因制造公差、性能退化和维护条件导致的不同引擎之间的性能差异，传感器故障检测面临诸多挑战。为解决这一问题，本研究采用基于物理的发动机模型来生成包含组件性能不确定性的大规模数据集。这些通过分析方法生成的数据集被用来训练深度神经网络模型，这些模型能够学习正常运行条件下操作参数与预期传感器行为之间的非线性关系。该方法的优点在于，在模型训练过程中无需使用任何飞行测试数据，仅需依赖仿真数据集，从而避免了需要大量实验积累的数据。经过训练的模型首先使用训练过程中未用过的仿真数据集进行评估，在±1%的参数变化范围内，其归一化均方根误差低于1.5%，显示出出色的回归性能。为验证其在实际环境中的适用性，仅使用飞行测试数据进行独立验证，而这些数据并未参与模型训练过程。传感器故障的模拟是通过在测量信号中引入可控的偏差误差来实现的。在这些基于飞行测试的数据集上评估时，该模型在±1%、±3%和±5%的组件性能变化条件下，分别实现了93.4%、93.5%和87.5%的分类准确率。此外，由于所提出的方法在运行时仅依赖预训练的深度神经网络模型，因此无需在引擎上配备基于物理的发动机模型，这使得该方法能够快速且稳定地进行推理，适用于实时应用。研究结果表明，所提出的框架能够在保持可靠传感器故障检测性能的同时，成功地将仿真训练结果应用于实际工况。这些特性使得该方法非常适于用于航空燃气轮机引擎的数字孪生和实时健康监测应用。1. 引言燃气轮机引擎是现代航空航天应用中的关键推进系统，其安全高效的运行依赖于对引擎状态和运行条件的精确监测。在实际的航空引擎系统中，温度、压力和转速等传感器测量值不仅用于直接监测，还作为控制、性能监测、气体路径分析和故障诊断等高级功能的输入[1,2]。由于这些高级功能直接依赖于测量数据的质量，传感器的可靠性极大地影响着整个引擎健康管理框架的有效性[3]。如果故障传感器未能及时被检测并隔离，其误差可能会传递到后续算法中，导致状态估计错误、控制性能下降或诊断结论出现偏差[4,5]。传感器故障与组件故障的不同之处在于，传感器故障通常表现为测量信号中的偏差、漂移、间歇性异常读数或噪声增加，而非引擎硬件的直接热力学退化[6,7]。在燃气轮机环境中，这类故障可能由温度影响、压力负荷、振动、电子元件退化、污染以及校准漂移等因素引起[8]。即便相对较小的传感器误差，也会对那些依赖精确热力学状态信息的基于模型和数据驱动的算法产生显著影响[9]。这一点在需要在广泛飞行范围内运行的航空引擎中尤为重要，因为高度、马赫数和运行点变化 already会导致传感器数值出现较大正常波动[10]。此前已有大量研究致力于燃气轮机故障诊断，但其中大部分研究集中在组件级或气体路径故障上，而非直接的传感器故障检测。此外，许多已发表的传感器诊断研究都依赖于某种形式的与参考值一致的基准，如观测器估算的输出、分析冗余、健康模型的预测，或是从正常状态和故障状态中构建的标记数据集。例如，Ogaji等人[11]提出了一种基于神经网络的框架，用于双轴固定式燃气轮机的多传感器故障诊断，其诊断依据是与模型一致的数据模式进行比较。Aretakis等人[12]则利用模式识别技术，根据与预期正常状态的偏差来识别涡扇引擎中的传感器故障。Rahme和Meskin[13]提出了一种用于工业燃气轮机传感器故障诊断的自适应滑模观测器，该观测器以测量值与估算值之间的残差作为故障检测的依据。Simani和Patton[14]则采用基于系统识别的方法进行工业燃气轮机故障诊断，同样依赖于模型生成的参考行为。以传感器为研究对象的机器学习研究也呈现出类似的趋势。Palmé等人[15]提出了一种通过人工神经网络分类来进行燃气轮机传感器验证的方法，该分类器被训练用来识别偏离正常模式的传感器漂移。Tayarani-Bathaie和Khorasani[16]开发了一种基于神经网络组的燃气轮机引擎故障检测与隔离方法。Wohlthan等人[17]提出了一种多阶段几何方法，用于在引擎测试台上进行传感器故障隔离。Du等人[18]则提出了一种基于Inception-CNN的航空引擎传感器故障检测方法，该方法使用了标记过的正常状态和故障状态数据集。Liu[19]提出了一种结合贝叶斯区间估计的集成连体卷积神经网络，用于航空引擎传感器故障分析。Wang等人[20]则开发了一种基于深度去噪自编码器和多模型逻辑的在线学习框架，用于航空引擎传感器故障检测、隔离和恢复。更近期地，Jin等人[21]提出了一种改进的基于数字孪生的故障检测与隔离方法，该方法利用测量值与虚拟传感器输出之间的差异来实现燃气轮机引擎的故障检测。总体而言，这些研究表明，现有的传感器诊断框架通常依赖于名义上的健康参考值、重建的参考值或与参考值一致的训练数据集。近期的研究进一步强调了数字孪生、不确定性量化以及可迁移性在燃气轮机和航空引擎故障诊断中的重要性。Ma等人[22]提出了一种用于实际燃气轮机异常检测的不确定性性能数字孪生模型，该模型利用概率性能预测和不确定性量化技术，以支持在运行不确定性条件下的故障检测。Xu等人[23]则开发了一种基于数字孪生的领域自适应图网络，用于航空引擎气体路径故障诊断，旨在提高在性能退化和领域变化条件下的诊断准确性和适应性。Liu等人[24]建立了一种基于跨设备迁移学习的数字孪生诊断模型，他们指出领域漂移、目标领域样本不足以及数据隐私问题都会对数据驱动诊断模型的实际应用产生严重影响。这些近期研究表明，基于数字孪生的健康管理正在向具有不确定性感知能力、能够实现领域自适应和迁移学习的方向发展。然而，它们也表明，实际应用仍然需要妥善处理模型不匹配、数据分布变化、目标引擎适配以及在实际运行条件下的验证等问题。尽管取得了这些进展，但在实际的航空引擎应用中仍存在一些重要限制。在真实运行过程中，通常无法获得准确的“真实”传感器数值。即使是相同类型的引擎，由于制造公差、装配差异、维护历史、部件更换以及不同的退化轨迹，它们之间也不存在统一的健康基准。Rahman等人[25]指出，引擎组件的性能差异可能会导致测量参数出现与故障状态相当的偏差，因此在使用诊断方法之前进行模型调优是十分必要的。Kang和Kim[26]也表明，实际的燃气轮机诊断需要具备适应性，因为固定的名义映射无法充分反映实际引擎的特性。此外，Kurz和Brun[27]以及Li和Nilkitsaranont[28]的退化研究也表明，性能恶化的发展进程会因运行历史和维护情况的不同而有所差异。因此，不同引擎之间的运行条件与正常传感器响应之间的关系并非完全相同，固定的名义参考值可能会导致正常的引擎间差异被误认为是传感器故障。这个问题尤为关键，因为传感器故障检测并非一个孤立的目标。传感器信号随后会被用于气体路径诊断、健康参数估算、控制逻辑以及数字孪生框架中。如果未能首先检测并隔离故障传感器，后续算法可能会错误地判断出组件出现退化，选择不恰当的控制措施，或生成不可靠的健康评估结果。正因如此，在气体路径分析、基于卡尔曼滤波的诊断以及自调谐引擎模型研究中，人们已经意识到需要将传感器故障与正常变化以及由组件引起的效应区分开来。Doel[29]探讨了在存在测量问题时，加权最小二乘法在气体路径分析中的局限性。Kobayashi和Simon[30]则应用了一组卡尔曼滤波器，用于飞机引擎传感器和执行器的故障检测与隔离。Volponi和Simon[31]开发了eSTORM框架，用于实时跟踪引擎性能变化并生成综合参数，以便进行故障检测和调整。更广泛地说，Tidriri等人[9]回顾了基于模型和数据驱动的故障诊断方法如何受到模型不匹配、不确定性以及运行条件变化的影响，并主张采用更为稳健的混合方法。正是出于这些限制，本研究提出了一种具有不确定性感知能力的深度神经网络框架，并结合适应性发动机建模，用于在存在引擎间差异的情况下，实现航空燃气轮机引擎中传感器故障的可靠检测与隔离。本研究采用了先前已开发并经过验证的F100涡扇引擎模型作为仿真平台，通过该平台在广泛的运行条件及组件性能不确定性范围内生成大规模训练数据。通过将这些不确定性因素纳入数据生成过程，所提出的框架能够帮助学习运行条件与预期传感器行为之间的通用关系。在该框架中，首先训练一个全连接型深度神经网络，使其能够估算正常运行条件下关键传感器测量值的预期偏差模式。之后，根据测量信号与所学到的正常基准之间的差异来检测并隔离传感器故障。将适应性发动机模型与深度神经网络相结合，使得该框架能够考虑组件性能的变动性，从而增强其对引擎间差异的抵抗能力。因此，所提出的方法并不局限于某一种特定的名义引擎，而是旨在适用于具有不同性能特征的各类引擎。更具体地说，本研究将组件性能不确定性、无需飞行数据的深度神经网络训练以及独立的飞行测试验证整合到了同一个传感器故障检测框架之中。与传统方法不同，传统方法依赖于名义上的健康参考值、基于观测器的残差或通过实验积累的标记数据集，而所提出的方法则完全依靠仿真生成的数据来训练深度神经网络，同时还能考虑到引擎间的差异。之后，再使用在训练过程中完全未被使用的飞行测试数据对训练好的模型进行验证。在这方面，本研究通过侧重于基于仿真的不确定性感知训练以及独立的飞行测试验证，而非依赖目标引擎的故障数据、目标领域的适配样本或模型训练期间的飞行数据，弥补了近期基于数字孪生和迁移学习的诊断研究的不足。为了证明其有效性，该框架通过仿真数据和飞行测试数据进行了验证，从而体现了其在实际运行条件下的适用性。研究结果证实，即使在存在显著性能变异的情况下，该方法也能提供可靠的传感器故障检测性能。本文的其余部分结构如下：首先介绍用于仿真数据生成的先前开发的F100引擎模型。接着，在考虑组件性能不确定性的前提下，生成涵盖广泛运行范围的正常状态和故障状态数据集。随后介绍所提出的具有不确定性感知能力的基于深度神经网络的传感器故障检测框架。之后，展示并分析使用飞行测试数据得到的训练结果和验证结果。最后，给出主要结论及未来的研究方向。2. 所提出的具有不确定性感知能力的传感器故障检测框架概述图1展示了所提出的用于航空燃气轮机引擎中实现可靠传感器故障检测的、具有不确定性感知能力的深度神经网络框架的整体结构。该框架旨在通过将基于物理的发动机模型与数据驱动的学习方法相结合，从而在存在引擎间差异的情况下，适用于多种引擎的运行需求。下载：下载高分辨率图像（694KB）下载：下载完整尺寸图像图1. 用于在引擎间差异情况下实现可靠传感器故障检测的具有不确定性感知能力的深度神经网络框架。所提出的框架主要包括两个阶段：在地面进行的准备阶段，以及在引擎运行期间的机上应用阶段。这两个阶段通过经过训练的深度神经网络模型以及传感器数据和运行条件的持续交换而相互关联。在准备阶段，使用基于物理的发动机模型来生成大规模数据集，这些数据集反映了各种运行条件以及组件性能的变动情况。具体来说，首先采用零维热力学循环模型作为基础引擎模型。然后，再利用传感器数据对该模型进行适配，以体现引擎的实际运行行为，包括由制造公差、性能退化和维护条件所导致的性能偏差。基于这个经过适配的引擎模型，通过引入组件性能的变动，来进行具有不确定性感知能力的仿真，从而生成能够反映引擎间差异的多样化数据集。之后，使用这些生成的数据集来训练深度神经网络。该深度神经网络能够学习正常工况下运行条件与传感器预期行为之间的非线性关系。通过这一学习过程，模型可隐式捕捉组件性能的不确定性，并建立一种可应用于不同引擎的通用映射关系。在车载应用阶段，来自实际运转引擎的实时传感器数据及飞行参数会被输入到数字孪生系统中。嵌入在数字孪生系统中的训练好的深度神经网络模型可估算出正常工况下的传感器预期响应，随后通过将实测传感器信号与预测的基准行为进行比较来实现传感器故障检测。若偏差超过预设阈值，则视为传感器故障，进而识别并隔离出有问题的传感器。

所提出框架的一个关键优势在于它能区分由不同引擎间的差异导致的正常变化与由传感器故障引发的异常偏差。通过将组件性能的不确定性纳入训练过程，该框架提升了在不同引擎工况下避免误判故障的可靠性。此外，由于该方法能在更高层次的诊断和控制流程之前就检测并隔离故障传感器，因此提升了性能监测、控制系统以及组件故障诊断等下游应用的可靠性。这一特性使得该框架特别适合用于航空发动机系统的实际数字孪生实现。

为进一步阐明所提框架中的数据生成与训练流程，图2展示了如何生成正常及故障传感器数据集并用于深度神经网络训练。图1介绍了基于不确定性感知的传感器故障检测框架的整体概念，而图2则聚焦于训练数据集的详细构建过程。在所提出的方法中，基于物理原理的引擎模型会在不同的飞行及运行工况下生成包含组件性能变化的正常传感器响应。因此，生成的正常传感器数据不仅包含与工作点相关的变化，还包括因组件性能不确定性导致的不同引擎间的差异。

故障传感器数据则是通过在生成的正常传感器信号中引入预定义的偏差误差来构造的。这种方法无需大量通过实验积累的传感器故障数据，即可系统地生成带有标签的故障案例。如此得到的正常与故障传感器数据集会被存储在训练数据库中，用于训练深度神经网络模型。通过这一过程，深度神经网络能够学会区分由传感器故障引起的偏差与由运行条件及组件性能变化带来的正常波动。因此，即便应用于性能特征与基准值存在差异的引擎，训练好的模型仍能实现可靠的传感器故障检测功能。

3. 引擎建模

本研究中所使用的引擎性能模型是通过数值推进系统仿真工具NPSS开发的，该工具在学术界和工业界被广泛用于燃气轮机循环分析。NPSS提供了一种基于组件的建模框架，能够准确模拟推进系统在设计工况及非设计工况下的热力学过程。它具备整合组件性能曲线、施加系统级匹配约束以及以模块化方式表示复杂引擎配置的能力，因此特别适用于高精度的涡扇引擎建模。此外，NPSS还支持与外部模型集成，这有助于将传统的基于物理的方法拓展为更先进的数字孪生框架。

本研究的目标引擎是F100涡扇引擎，这是一种双轴、低旁通比混合流式涡扇引擎，广泛应用于军用飞机上。该引擎结构包括低压轴部分，即风扇和低压涡轮；以及高压轴部分，包括高压压气机和高压涡轮。

引擎模型的构建旨在反映F100涡扇引擎的物理结构，包括主气体通道和二次空气系统。模型的主要组成部分包括进气口、风扇、分流器、管道、高压压气机、燃烧室、高压涡轮、低压涡轮、混合器以及喷嘴。进入进气口的空气首先由风扇压缩，随后通过分流器分为核心流和旁通流。核心流在进入燃烧室之前会在高压压气机中进一步压缩，在燃烧室内注入燃料并燃烧产生高温气体。这些气体在涡轮中膨胀，产生机械功以驱动压气机和风扇。与此同时，旁通流则经过独立的管道流动，之后在混合器中与核心流混合，再通过喷嘴膨胀以产生推力。

除主要流动路径外，该模型还包含了涡轮冷却空气和泄漏流等次要流动机制，这些机制对于准确呈现真实引擎的工作状态至关重要。冷却空气从压气机中抽出，输送至涡轮部件，以在高温环境下维持其结构完整性。同时，也考虑了泄漏流的存在，以解释引擎内部的质量流量重新分布现象。通过纳入这些次要流动路径，模型能够更精准地捕捉不同引擎组件之间的热力学相互作用，从而提升模型的准确性。

引擎性能分析采用基于物理原理的零维循环分析方法。在该框架中，每个引擎组件都通过性能曲线来表示，这些曲线定义了修正后质量流量、压力比和效率之间的关系。这些组件曲线与守恒方程结合使用，可确定引擎中各点的热力学状态。在设计工况下，会设定关键的性能参数作为参考工作点。而对于非设计工况，则需要输入诸如轴速之类的选定变量，其余变量则通过系统级匹配来确定，从而确保连接组件之间的质量流量连续且轴功率平衡。

风扇和高压压气机等主要组件的性能曲线是根据现有的F100引擎数据[33,34]得出的，而涡轮的性能特性则来自NPSS数据库，并经过适当缩放以匹配参考工况。这样的缩放处理确保了组件曲线与设计点处整体引擎性能的一致性，从而能够准确预测引擎在广泛工况范围内的运行表现。

图3展示了本研究中使用的F100涡扇引擎模型的框图。该图展示了引擎的整体结构，包括从进气口到喷嘴的主流动路径，以及旁通流和二次空气系统的分布情况。核心流与旁通流被清晰地区分开来，它们通过混合器的相互作用也被明确标示出来。此外，图中还标注了影响涡轮组件热力学性能的冷却流和泄漏流。该框图为NPSS模型的实现提供了基础，清晰地展现了引擎系统内各组件之间的连接关系及流体交互情况。

下载：下载高分辨率图像（882KB）
下载：下载全尺寸图像
图3. F100涡扇引擎模型的框图。

此前已有研究[32]通过将NPSS模型结果与F100引擎的实验数据及飞行测试数据进行对比，验证了该引擎模型的有效性。这些验证结果表明，该模型能够在多种运行工况下准确预测转子转速、压力和温度等关键性能参数。仿真结果与实测数据的高度一致性表明，该模型能够可靠地呈现引擎的热力学行为，因此非常适合用于更高级的性能建模和数字孪生开发。

4. 正常工况与故障工况的数据生成

在本研究中，利用基于物理原理的涡扇引擎模型生成了涵盖正常及故障引擎运行状态的全面数据集。此前研究[32]中开发的引擎模型被用于进行高精度仿真，从而能够在广泛的运行工况范围内系统地生成数据。

为确保充分覆盖引擎的运行范围，采用了拉丁超立方抽样方法。用于数据生成的输入变量及其对应范围总结在表1中。如表1所示，为了反映真实的飞行工况，马赫数、海拔高度、修正后的风扇转速以及喷嘴喉部面积等关键运行参数都被进行了调整。此外，还加入了组件偏差因子，用以体现组件性能的差异。基于这些参数范围，共进行了100,000次仿真。在仿真过程中，由于组件性能的波动过大，有些点的解未能收敛，这些结果未被纳入最终数据集。

表1. 采用拉丁超立方实验设计进行数据点生成时的上下限参数
参数 单位 下限 上限
马赫数 | | -0.45 | 1.0 |
海拔高度 | 英尺 | 13,000 | 47,000 |
N1C2转速 | 转/分钟 | 8,842 | 10,775 |
AJ面积 | 平方英寸| 240 | 944 |
风扇的CDF值 | | -0.97 | 1.03 |
风扇效率的CDF值 | | -0.97 | 1.03 |
高压压气机的CDF值 | | -0.97 | 1.03 |
高压压气机效率的CDF值 | | -0.97 | 1.03 |
高压涡轮效率的CDF值 | | -0.97 | 1.03 |
低压涡轮效率的CDF值 | | -0.97 | 1.03 |

表1中所选的参数范围旨在体现典型涡扇引擎的运行状况。0.45–1.0的马赫数范围以及13,000–47,000英尺的海拔高度范围涵盖了亚音速到跨音速的飞行状态。N1C2和AJ的范围则对应F100引擎的典型运行极限。CDF值设定在0.97–1.03之间，以反映不同引擎之间的实际性能差异水平。

引入CDF值是为了体现同类型引擎之间的性能差异。这类差异源于制造公差、组装差异、维护条件以及使用历史等因素。通过将CDF纳入仿真过程，模型无需修改性能曲线的基本结构，即可体现组件特性的差异性。通常而言，0.97–1.03的CDF范围能够反映实际涡扇引擎中常见的引擎间性能差异。而0.99–1.01的较窄范围则对应那些由于制造和维护流程高度规范而性能差异极小的引擎。相反，0.95–1.05的较宽范围则可能表示引擎出现了严重的性能退化或性能分散现象。因此，表1中所选的范围能够较好地体现适度的性能差异。

CDF对组件性能的影响是通过对原始组件性能曲线进行缩放来建模的。各组件的修正后质量流量和效率可通过以下公式进行调整：
(1) 风扇的修正后映射值 = CDF风扇 × Wc风扇 / Wc风扇原始映射值
(2) 风扇的修正后效率值 = CDF风扇效率 × η风扇原始效率值
(3) 高压压气机的修正后映射值 = CDF高压压气机 × Wc高压压气机 / Wc高压压气机原始映射值
(4) 高压压气机的修正后效率值 = CDF高压压气机效率 × η高压压气机原始效率值
(5) 高压涡轮的修正后效率值 = CDF高压涡轮效率 × η高压涡轮原始效率值
(6) 低压涡轮的修正后效率值 = CDF低压涡轮效率 × η低压涡轮原始效率值

这些公式表明，CDF实际上是一个乘法缩放因子，应用于原始组件曲线之上，从而能够体现组件级别的性能差异及其对整个引擎运行的影响。

在生成的正常数据集基础上，通过引入传感器级的异常情况，进一步构建了故障数据。本研究考虑了五个关键的传感器参数：25号点的总温度（TT25）、25号点的总压力（PT25）、3号点的总温度（TT3）、4号点的总压力（PT4），以及风扇涡轮进口温度（FTIT）。这些参数在燃气轮机的性能监测与诊断中有着广泛应用。

传感器故障数据的生成方式是在每个传感器上独立引入乘法型偏差误差。选择乘法型偏差是因为它能够体现传感器的增益或校准误差，同时还能让故障程度以相对误差的形式在不同类型的传感器之间保持一致。在本研究中，针对每种传感器，在每个正常运行工况下均应用了0.9到1.1之间的20个不同缩放因子，这样一来，每个正常运行工况下就会产生100种单传感器故障案例。这些缩放因子在不同传感器及不同运行工况之间有所变化，而非在整个数据集上应用统一的固定系数，因此能够在不同的引擎运行工况及组件性能差异条件下生成多样化的偏差故障案例。本研究并未对加法型偏差、漂移、间歇性故障以及噪声尖峰等其他故障模式进行显式建模。尽管当这些故障模式造成的偏差足够大时也可能被检测到，但对其开展系统性评估则需要额外的故障注入场景，尤其是针对具有时间依赖性的传感器异常情况。

燃气轮机系统中的传感器故障可能源自多种原因，包括热老化、机械振动、电气噪声、线路故障以及校准漂移等。长期处于高温高压环境会导致传感器逐渐老化，进而引发测量误差。在实际情况中，传感器误差可能表现为偏差、漂移、间歇性异常读数或噪声等形式。本研究中所采用的0.9–1.1的故障范围对应着高达±10%的相对传感器偏差，这一数值足以体现中度到重度的传感器偏差故障。

通过这一系列步骤，最终构建了一个包含正常工况与故障工况的大规模数据集，为基于机器学习的传感器故障检测模型的发展提供了坚实的基础。

5. 传感器故障检测的模型训练方法

如图4所示，本研究采用了基于机器学习的方法，用于检测在不同运行工况以及不同引擎间的性能差异情况下的传感器故障。由于深度前馈神经网络能够很好地拟合发动机运行状态、传感器测量值与预期传感器行为之间的非线性关系，因此被选为核心模型结构。下载：下载高分辨率图像（680KB）下载：下载全尺寸图像图4. 基于测量数据的传感器故障检测深度神经网络。该模型的输入变量包括发动机运行状态和传感器测量值。具体而言，运行状态变量包括高度、马赫数、N1C2以及AJ。此外，TT25、PT25、TT3、PT4和FTIT等传感器测量值也被作为输入纳入。通过结合运行状态和传感器数据，该模型能够捕捉外部条件与发动机内部行为之间的关系。当前传感器测量值被有意作为输入，是因为所提出的模型旨在从正常数据集和故障数据集中学习残差模式。在该框架下，故障传感器的数值被视为用于故障检测的传感器模式不一致性的一部分，而非需要排除的输入值。当故障测量值与运行状态及其他传感器测量值不一致时，深度神经网络会估算出与预期正常状态相比的相应传感器预测偏差，随后通过将该偏差与预定义的阈值进行比较来检测故障。神经网络的输出即为每个传感器参数的预期预测偏差。预测偏差定义为实际测量值与预期正常值之间的标准化差异，表达式如下：(7)Δy=ymeasured?yexpectedyexpected其中ymeasured为传感器测量值，yexpected为在给定运行状态下的预期正常传感器值。这种表述方式使得偏差可被理解为相对误差，从而不受传感器信号绝对幅值的影响。当预测偏差的绝对值超过3%时，该传感器即被视为存在故障。这一阈值的确定考虑了传感器的典型精度、性能退化特性以及发动机之间性能差异带来的额外不确定性。通常情况下，燃气轮机系统中使用的温度和压力传感器在正常运行条件下的测量不确定性在1–2%范围内，这一数值已包含校准容差和环境因素的影响。因此，处于这一范围内的偏差可视为正常的测量噪声或建模不确定性。相比之下，由校准漂移、热退化或硬件故障引起的传感器故障往往会产生超出正常不确定性水平的系统性偏差错误。这类故障通常会导致超过3%的偏差，而更严重的故障偏差甚至可能达到5–10%。因此，3%的阈值可作为区分异常传感器行为与正常测量及建模不确定性的实用标准。在本研究中，由于发动机之间性能的差异以及所学模型中的近似误差，还可能出现其他偏差。通过选择高于正常测量不确定性但低于严重故障水平的阈值，所提出的标准能够在保持足够灵敏度以检测传感器故障的同时，减少因正常性能波动导致的误报。这种方法无需在运行过程中使用真实的参考传感器值，即可实现传感器故障检测。相反，经过训练的模型能够在考虑部件性能变化的情况下，估算出在给定运行状态下的预期正常传感器行为，进而通过实际测量信号与估算的正常基准值之间的相对偏差间接推断故障严重程度。该模型是使用从发动机仿真中生成的千万级样本数据集进行训练的。该数据集包含了正常状态和故障状态，其中部件性能在±3%范围内的变化被视为能够反映发动机之间实际的差异。数据集被划分为训练集和验证集，其中70%的数据用于训练，剩余30%用于验证。为提高训练的稳定性和收敛性，对输入数据和输出数据均进行了标准化处理。标准化过程是通过减去每个变量的均值后再除以其标准差来实现的，具体公式如下：(8)xnorm=x?μxσx(9)tnorm=t?μtσt其中x和t分别代表输入变量和输出变量，μ和σ则表示根据训练数据集计算得到的均值和标准差。这种标准化处理能够确保所有变量的均值为零且方差为1，从而避免数值不稳定问题，并提升学习效率。从训练数据中计算得到的相同标准化参数也被一致地应用于验证数据集。该模型的训练采用了Adam优化算法。训练配置包括最多500个训练周期，初始学习率为3×10??，并且每10个训练周期应用一次衰减因子为0.5的分段学习率调整策略。每次训练使用的批量大小为4096，且每个训练周期都会对数据集进行打乱处理。为稳定训练过程，还应用了阈值为1的梯度裁剪机制。会定期对验证数据进行分析，并根据验证结果决定是否提前终止训练。为了提升计算效率，训练过程是在基于GPU的环境中进行的。为确定最优的网络架构，通过改变隐藏层的数量（从2层到16层）以及每层神经元的数量（从64个到512个），对超参数进行了调优。模型性能是通过均方误差来评估的，相关结果汇总在表2中。如表2所示，随着隐藏层数量和每层神经元数量的增加，预测误差通常会降低，这说明规模更大的网络能够更好地拟合输入变量与预测偏差之间的非线性关系。表2. 基于均方误差的不同深度神经网络架构的超参数调优结果。神经元数量隐藏层数量24816644.74E-053.19E-053.03E-052.97E-051283.92E-052.97E-052.87E-052.92E-052563.55E-052.80E-052.56E-052.65E-055123.40E-052.72E-052.62E-052.45E-05不过，当网络规模超过一定程度后，均方误差的下降幅度就会变得很小。虽然16层隐藏层和每层512个神经元能够得到最低的均方误差，但这样的配置需要大量的可训练参数，且计算成本也更高。相比之下，8层隐藏层和每层256个神经元的配置虽然也能获得2.56×10?5的相当不错的均方误差，但其网络结构更为高效。因此，这一配置被选为最终的深度神经网络架构，因为它在预测精度与计算效率之间实现了良好的平衡。6. 模型训练结果该训练有素的模型的性能是通过基于回归的预测精度以及基于分类的故障检测能力来评估的，评估所用的验证数据集为总数据量的30%，这部分数据在模型训练阶段并未被使用。评估结果通过对比预测值与参考传感器状态、残差分布、定量误差指标以及混淆矩阵来呈现，这些模型都是基于考虑了部件性能在±1%、±3%和±5%范围内变化的数据集训练而成的。6.1 回归性能分析首先，通过将预测的传感器状态与各传感器参数的参考值进行对比，来考察模型的回归性能，这些参数包括TT25、PT25、TT3、PT4和FTIT。这些参数代表了发动机关键位置的热力学状态，其中TT和PT分别表示总温度和总压力，而FTIT则表示风扇涡轮的入口温度，这一温度会受到涡轮工作平衡状况和燃烧特性的强烈影响。如图5所示，使用了考虑了部件性能在±1%、±3%和±5%范围内变化的数据集训练而成的深度神经网络模型，将预测的传感器值与参考值进行了对比展示。对角线上的虚线表示预测值与参考值完全一致。在所有传感器参数中，数据点都紧密地聚集在这条直线上，这说明该模型能够在不同的运行状态下准确重建出预期的传感器值。在±1%的性能变化范围内，数据点的散布非常小，显示出近乎理想的吻合度。而当性能变化范围扩大到±3%和±5%时，数据点的分布变得更加明显，尤其是在传感器状态显著偏离正常状态（即数值远离1）的区域。这表明，随着性能变化的增大，预测的不确定性也会随之上升，这是由于部件级的变化会通过发动机系统以非线性方式传递开来所致。下载：下载高分辨率图像（1006KB）下载：下载全尺寸图像图5. 预测值与参考值对应的传感器状态。值得注意的是，不同传感器之间的分布均匀性并不一致。TT25和TT3的分布较为集中，说明与温度相关的参数更容易被准确预测。而PT4和FTIT的分布则更为分散，尤其是在性能变化幅度较大的情况下。出现这种差异的原因在于，这些参数极易受到涡轮性能和流量匹配条件的影响，而这些因素本身就具有很强的非线性特征，且对部件效率和流量能力的微小变化极为敏感。6.2 残差分布分析为进一步研究预测特性，图6展示了各传感器参数的残差分布情况。残差被定义为预测值与参考值之间的差值。概率密度分布显示，所有残差都集中在零点附近，这说明该模型不存在系统性偏差。在±1%的性能变化范围内，概率密度分布呈现尖锐的峰状，显示出极高的精确度和较低的方差。而随着性能变化范围的扩大，概率密度分布也会逐渐变宽，反映出预测不确定性的增加。下载：下载高分辨率图像（754KB）下载：下载全尺寸图像图6. 残差（预测值－参考值）的概率密度分布。一个重要的观察结果是，即使在性能变化幅度较大的情况下，残差分布依然保持对称性。这说明模型产生的误差是随机的而非有偏的，而这正是故障检测应用所期望的特性。不过，在±5%的性能变化范围内观察到的较重尾部则表明，偶尔会出现较大的预测误差。这些异常值很可能是由某些运行条件导致的，比如压缩机与涡轮之间的匹配极限接近时的非线性相互作用。6.3 定量误差分析图7使用标准化均方根误差来总结模型的定量预测精度。结果清楚地显示，对于所有传感器参数而言，预测误差都会随着性能变化程度的增加而上升。在±1%的性能变化范围内，所有传感器的误差都保持在1.5%左右，这说明其预测精度很高。在±3%的性能变化范围内，误差虽然有所上升，但仍然处于较低水平。而在±5%的性能变化范围内，误差则变得更为显著，尤其是PT4和FTIT，它们的误差水平在所有传感器中是最高的。下载：下载高分辨率图像（237KB）下载：下载全尺寸图像图7. 使用考虑了部件性能在±1%、±3%和±5%范围内变化的数据集训练而成的深度神经网络模型，针对不同传感器状态下的标准化均方根误差对比。这一趋势凸显了该模型的一个重要特点：尽管它在面对中等程度的性能变化时具有很强的稳定性，但随着性能变化程度的增大，其精度会逐渐下降。这一表现与运行状态与传感器响应之间的映射关系在性能偏离正常值较大时的复杂性增加是一致的。6.4 点态误差分布分析图8展示了各传感器对应的点态对称平均百分比误差的情况。sMAPE的定义如方程10所示，它是预测值与参考值之间的绝对差值除以两者平均幅值的倍数，再乘以100。这一指标能够提供预测误差的相对度量，便于比较具有不同物理单位和幅值的传感器参数。误差分布显示，大多数预测值都集中在较低的误差水平附近，只有少数异常值会出现在较高的误差水平上。在性能变化幅度较大的情况下，这类异常值的出现频率会更高。在各类传感器中，FTIT和PT4的误差分布最为广泛，这再次体现了它们对与涡轮相关的非线性现象及交互效应的敏感性。(10)sMAPE=|ypred?yref|(|ypred|+|yref|)2×100下载：下载高分辨率图像（178KB）下载：下载全尺寸图像图8. 使用考虑了部件性能在±1%、±3%和±5%范围内变化的数据集训练而成的深度神经网络模型，针对不同传感器状态下的点态sMAPE分布情况。6.5 二元故障检测性能如图9所示，该模型的故障检测性能是通过分类指标来评估的。混淆矩阵展示了该模型区分正常状态与故障状态的能力。在±1%的性能变化范围内，分类性能几乎完美，假阳性和假阴性的比例都非常低。而当性能变化范围扩大到±3%和±5%时，错误分类的数量会有所增加，尤其是那些正常数据被错误地判定为故障数据的情况。下载：下载高分辨率图像（465KB）下载：下载全尺寸图像图9. 图8 使用考虑了部件性能在±1%、±3%和±5%范围内变化的数据集训练而成的深度神经网络模型，用于故障检测的混淆矩阵。出现这种趋势的原因是正常状态下的性能变化与故障引起的偏差之间存在重叠。随着性能变化程度的增加，正常预测偏差的范围也会扩大，这就使得使用固定阈值来区分正常状态与故障状态变得更加困难。尽管存在这样的挑战，该模型依然保持了较高的整体分类精度，这说明预测出的偏差仍然是用于故障检测的有效特征。6.6多类故障识别性能
为评估模型识别特定传感器故障的能力，图10至图12展示了多类混淆矩阵。每一类对应一种特定的传感器故障或正常状态。结果显示对角线元素占主导地位，表明该模型能够以高精度正确识别传感器故障类型。在±1%的误差范围内，分类结果几乎完美，不同故障类型之间的混淆可忽略不计。

图11：下载高清图像（532KB）　下载完整尺寸图像
图10：使用在考虑了±1%组件性能变化的数据集上训练的DNN模型进行传感器级故障识别的混淆矩阵。
下载高清图像（551KB）　下载完整尺寸图像
图11：使用在考虑了±3%组件性能变化的数据集上训练的DNN模型进行传感器级故障识别的混淆矩阵。
下载高清图像（582KB）　下载完整尺寸图像
图12：使用在考虑了±5%组件性能变化的数据集上训练的DNN模型进行传感器级故障识别的混淆矩阵。

随着变化幅度的增加，尤其是在±5%的变化条件下，正常状态与故障状态之间的误分类现象有所增多。不过，不同故障类型之间的混淆仍然很小。这说明，尽管在较大变化幅度下区分正常与故障状态变得更加困难，但每种传感器故障所具有的特征模式依然可以区分开来。从物理层面来看，这种表现意味着每种传感器故障在预测偏差空间中都会产生独特的特征，而神经网络能够成功学习到这些特征。即便整体预测的不确定性上升，这些相对特征依然存在，从而使得故障分类得以有效实现。

总体而言，实验结果表明，所提出的模型在预测精度与故障检测的稳健性之间取得了良好平衡。回归分析表明，该模型能够在广泛的运行条件下准确预测传感器的预期行为；而分类结果则显示，传感器故障可以被可靠地检测和识别。从实际应用角度来看，这些结果最重要的意义在于，即使在发动机之间存在显著差异的情况下，该模型依然具有良好的性能。这对于那些不可避免存在此类差异的实际应用来说至关重要。在更高变化幅度下性能的逐渐下降也反映了该方法的局限性，即精度下降主要源于不确定性的增加以及残差重叠现象，而非单纯的阈值选择问题。

在±5%的组件性能变化条件下，故障检测精度下降，这是因为正常性能变化与传感器故障引起的偏差之间的重叠增加了。回归分析和残差分析表明，组件变化越大，预测的传感器状态波动就越大，残差分布也会更宽。点态sMAPE结果也显示，PT4和FTIT对较高变化幅度更为敏感，这主要是因为它们受到涡轮工作平衡和非线性引擎流量匹配的强烈影响。因此，在±5%的变化条件下，一些正常样本的预测偏差与故障样本相当，从而导致分类结果中出现更多误报。阈值敏感性分析进一步表明，将阈值从2%调整为4%并不能显著提升分类精度。所以，±5%变化条件下的性能下降并非仅仅由所选阈值造成，而是反映了在较大的正常发动机差异背景下区分传感器故障的难度增加。

7. 基于飞行测试数据的验证结果
7.1 从飞行测试数据中生成传感器故障数据
为在真实条件下验证训练好的模型，采用了发动机飞行测试数据作为基准数据集。与训练时使用的基于模拟的数据集不同，飞行测试数据本身包含测量噪声和环境干扰，因此能提供更为严格的验证环境。

用于验证的飞行测试数据来自一台F100发动机。如图13所示，该数据集包含了飞行过程中高度、马赫数、修正后的风扇转速、喷嘴喉部面积以及关键传感器参数的变化情况。通过添加单传感器故障后，共生成了5,670个验证样本。因此，本次验证证明了该发动机在所覆盖的飞行工况范围内的从模拟到真实的泛化能力，而使用多台发动机进行验证则是未来需要研究的内容。

图13：F100发动机的飞行测试数据。

基于图13中的飞行测试数据，通过向测量的传感器信号中引入乘法偏差，人工生成了传感器故障数据。具体而言，对五个关键传感器参数——TT25、PT25、TT3、PT4和FTIT——分别以0.02为步长将其数值从0.9调整到1.1，以此模拟从0%到10%不等的传感器故障。

7.2 飞行测试条件下的预测性能
首先使用飞行测试数据集评估了训练好模型的回归性能。图14展示了使用在考虑了±1%、±3%和±5%组件性能变化的数据集上训练的DNN模型，对代表性传感器参数的预测值与参考值的对比情况。

图14：使用在考虑了±1%、±3%和±5%组件性能变化的数据集上训练的DNN模型，对基于飞行测试数据生成的传感器故障数据进行的预测值与参考值对比。

总体来看，预测值沿着对角线紧密跟随参考值，这说明即使应用于真实的飞行测试数据，该模型也能保持较高的预测精度。这证实了该模型虽然是在模拟数据上训练的，但依然能够很好地泛化到实际工况中。不过，与基于模拟的结果相比，预测值的散布稍大一些，这可能是由于飞行测试数据中存在测量噪声、传感器不确定性以及未被建模的物理效应所致。在传感器状态值较高时，这种散布现象更为明显，说明在非设计工况或高负荷运行条件下，预测的不确定性会增大。

在各类传感器中，TT25和TT3的预测结果仍具有高度一致性，且数据聚类较为紧密。相比之下，PT4和FTIT的预测偏差较大，这与它们对涡轮相关非线性现象及流量匹配条件的较高敏感性有关。这些观察结果与前一章中讨论的敏感性分析相符。

7.3 传感器故障检测结果
如图15至图17所示，通过混淆矩阵评估了该模型的故障检测性能。这些结果分别对应在考虑了±1%、±3%和±5%组件性能变化的数据集上训练的DNN模型。

图15：使用在考虑了±1%组件性能变化的数据集上训练的DNN模型，对基于飞行测试数据生成的传感器故障数据进行传感器级故障识别的混淆矩阵。
图16：使用在考虑了±3%组件性能变化的数据集上训练的DNN模型，对基于飞行测试数据生成的传感器故障数据进行传感器级故障识别的混淆矩阵。
图17：使用在考虑了±5%组件性能变化的数据集上训练的DNN模型，对基于飞行测试数据生成的传感器故障数据进行传感器级故障识别的混淆矩阵。

在±1%的变化条件下（图15），该模型的分类性能近乎完美。大多数样本都沿对角线被正确分类，正常状态与故障状态之间的误分类极少。这说明当性能变化幅度较小时，模型能够清晰地区分正常变化与传感器故障。

在±3%的变化条件下（图16），虽然也保持了较高的分类性能，但误分类现象有所增加。尤其是部分正常样本被错误地判为故障状态，误报率有所上升。这一现象反映出正常变化与故障引起的偏差之间的重叠增加了。

在±5%的变化条件下（图17），误分类现象更加明显。被误判为故障状态的正常样本数量增加，整体分类精度略有下降。尽管如此，混淆矩阵的对角线仍占据主导地位，这说明该模型在识别特定传感器故障类型方面仍具有较强性能。

一个重要的发现是，在所有条件下，不同故障类型之间的误分类都很少。这说明每种传感器故障在预测偏差空间中都会形成独特的模式，因此即便在较大变化幅度下，模型也能有效区分不同类型的故障。

7.4 故障检测性能的定量总结
为便于比较，表3总结了在不同组件性能变化幅度下，使用在相应数据集上训练的DNN模型进行传感器故障检测时的各项性能指标，包括准确率、精确率、召回率和误报率。

表3：使用在考虑了不同级别组件性能变化的数据集上训练的DNN模型，对基于飞行测试数据生成的传感器故障数据进行故障检测时的性能定量总结。

| 训练时组件变化幅度 | 准确率（%） | 主要特点 |
|-------------------|------------|----------|
| ±1%变化 | 93.4 | 分类性能近乎完美，误分类极少 |
| ±3%变化 | 93.5 | 性能与±1%相当，误报率略有上升 |
| ±5%变化 | 87.5 | 性能明显下降，主要是由于误报率上升 |

实验结果表明：
• 在考虑±1%组件性能变化的情况下，模型获得的准确率最高；
• 随着训练时考虑的组件性能变化幅度增大，准确率逐渐下降；
• 精度下降主要体现在误报率的上升，而非漏检故障。

这一趋势表明，该模型具有保守的预测特性，倾向于将不确定的情况判为故障而非正常状态。从安全角度而言，这种特性是有益的，因为它能够降低传感器故障未被检测出的风险。

为研究所选故障检测阈值的影响，还进行了额外的阈值敏感性分析。表4汇总了在不同组件性能变化幅度下，将阈值从2%调整到4%时，DNN模型的分类准确率变化情况。结果显示，在测试范围内，整体准确率对阈值的敏感度并不高。在±1%变化条件下，阈值从2%升至4%时，准确率从93.1%上升至93.8%；在±3%变化条件下，准确率从92.7%上升至94.0%；而在±5%变化条件下，准确率则从87.6%上升至88.6%。虽然在某些情况下4%的阈值能带来略高的准确率，但其与3%阈值相比的提升幅度较小。因此，本研究选择了3%作为阈值，作为在检测灵敏度与模型稳健性之间的实用折中方案。较低的阈值虽能提高对轻微传感器故障的检测能力，但也可能增加误报率；而较高的阈值虽然能减少误报，却可能降低对中等程度故障的检测能力。这些结果还表明，±5%变化条件下分类准确率的下降，并非主要由特定阈值值造成，而是与正常性能变化与传感器故障引起的偏差之间的重叠增加密切相关。

表4：在不同组件性能变化幅度下，故障检测阈值对分类准确率的影响。

| 训练时组件变化幅度 | 准确率（%） | 阈值2% | 阈值3% | 阈值4% |
|-------------------|------------|-------|-------|-------|
| ±1%变化 | 93.1 | 93.1 | 93.4 | 93.8 |
| ±3%变化 | 92.7 | 92.7 | 93.5 | 94.0 |
| ±5%变化 | 87.6 | 87.6 | 87.5 | 88.6 |

为评估所训练DNN模型的计算效率，以判断其是否适用于实时应用。该DNN模型的最终架构包含464,389个可训练参数。在配备有7代Intel CPU（运行频率为4.20 GHz）和32 GB内存的台式计算机上，对模型的推理时间进行了测量。平均每个样本的推理时间为9.1858×10??秒，相当于每個数据点约0.092毫秒。这一结果表明，该训练好的DNN仅依靠CPU运算即可以非常低的计算延迟处理传感器数据。由于所提出的机载系统仅需预训练好的DNN模型，无需迭代运行基于物理原理的引擎模型，因此其计算成本足够低，适合用于实时健康监测应用。

7.5 讨论
基于飞行测试数据的验证结果表明，所提出的模型在现实运行条件下仍能保持优异的性能。该模型能够从基于模拟的训练数据泛化到真实世界的测量数据，这一点意义重大，因为它解决了燃气轮机诊断中数据驱动方法面临的关键挑战之一。

在较高变化幅度条件下，预测误差和误分类现象的增加，可归因于发动机之间的差异、测量噪声以及模型不确定性等多种因素的共同作用。随着这些因素的影响加剧，正常变化与故障引起的偏差之间的区别变得模糊，从而导致误报率上升。在±5%的组件变化条件下，这种趋势尤为明显，因为此时正常性能变化与传感器故障引起的偏差存在一定程度的重叠。因此，高变化水平下精度下降主要与残差重叠增加有关，而非简单的阈值选择问题。尽管存在这一限制，该模型仍能保持正确识别传感器故障类型的能力。这表明传感器偏差的相对模式，而非其绝对幅度，在故障分类中起着关键作用。虽然所提出的深度神经网络具有黑箱特性，但其输出是通过各传感器的预测偏差来解读的，而不仅仅是通过最终的分类标签。偏差超过检测阈值的传感器可被视为最有可能出现故障的传感器，而偏差的幅度则能提供故障严重程度的相对指示。不过，对于那些对安全性要求极高的应用而言，应将深度神经网络的输出与额外的确认逻辑结合使用，比如时间一致性检查或残差范围监测。从实际应用角度来看，研究结果表明，所提出的方法非常适合用于燃气轮机系统中的实时传感器故障检测。该模型无需直接获取真实的传感器数值，且能在不同条件下有效运行，因此可应用于现实世界的数字孪生和健康监测系统。此外，所提出的车载实现方案在运行时仅需预训练好的深度神经网络模型，无需反复执行基于物理原理的引擎模型，这也为其在实时应用中的使用提供了便利。同时还需注意一些局限性。首先，目前的验证仅针对乘性偏差型传感器故障，这类故障属于增益或校准误差。而漂移、间歇性故障以及噪声峰值等其他故障类型并未在本研究中得到明确建模。虽然当这些故障导致传感器行为与正常状态出现足够大的偏差时可以被检测出来，但要对它们进行系统性评估，则需要额外的时间依赖型故障注入场景。其次，该框架是使用F100涡扇发动机模型及相应的飞行测试数据来进行验证的。因此，这些结果仅证明了该框架在所选发动机平台上的可行性，并不能直接证明其在其他发动机上的适用性。若要将其应用于其他类型的燃气轮机，就需要为目标发动机重新定义基于物理原理的模型、传感器配置、工作范围以及组件不确定性范围，随后再对深度神经网络模型进行重新训练或校准。最后，本研究仅关注单传感器故障场景。若要扩展到多传感器同时故障的情况，则需要额外的训练数据集，这些数据集应包含多种传感器故障的组合，或许还需要采用多标签分类框架。这些问题将在未来的研究中加以探讨。

8. 结论
本研究提出了一种具备不确定性感知能力的深度神经网络框架，并将其与改进后的引擎建模相结合，用于航空燃气轮机引擎中的可靠传感器故障检测。所提出的方法通过消除对真实传感器参考值的依赖，以及在训练过程中充分考虑不同引擎之间的性能差异，解决了传统方法存在的关键缺陷。这项工作的核心贡献在于证明了传感器故障检测模型无需借助任何飞行测试数据即可进行训练。该模型完全是基于包含组件性能不确定性的基于物理原理的引擎模型所生成的大规模数据集来构建的。这种方法无需进行耗时且成本高昂的大量实验数据收集。首先，使用训练过程中未使用过的仿真数据集对训练好的模型进行了验证，结果显示其回归性能优异，在±1%的变化范围内，标准化预测误差低于1.5%。为了评估其在现实世界中的应用前景，又专门使用了飞行测试数据来进行独立验证，其中人为设置了传感器故障条件。尽管训练数据和验证数据是完全分开的，该模型仍展现出强大的泛化能力，在不同的变化水平下，其分类准确率分别达到了93.4%、93.5%和87.5%。所提出框架的另一个重要优势是其在实际实时环境中的适用性。由于传感器故障检测过程完全依赖于训练好的深度神经网络模型，因此在车载运行过程中无需使用基于物理原理的引擎模型。这大大降低了计算复杂度，使得推理过程更加快速稳定，因此该方法非常适合用于数字孪生系统及引擎健康监测框架中的实时应用。总体而言，研究结果证实，所提出的方法不仅能够在基于仿真的训练结果与现实世界条件之间实现有效泛化，同时还提供了一种具备可扩展性且计算效率较高的解决方案。通过消除对大量飞行测试数据以及车载基于物理原理的模型的依赖，该框架为在运行中的航空引擎环境中部署可靠的传感器故障检测系统提供了可行的路径。未来的研究将致力于通过不确定性量化与自适应阈值设定来提升模型在极端性能变化条件下的稳定性，同时还将尝试扩展该框架以支持在线学习与实时适配功能。

作者贡献说明
Sangjo Kim：撰写——原始草案、方法论、研究分析、形式化分析、概念设计。