用于航空发动机剩余使用寿命预测的可学习自适应序列压缩与时空融合方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Learnable adaptive sequence compression and spatiotemporal fusion approach for aero-engine remaining useful life prediction

　　黄晓奇|王建宇|张恒|恩里科·齐奥|苗强

摘要
剩余使用寿命预测对于航空发动机的预测性维护和以可靠性为导向的健康管理至关重要。然而，由于航空发动机监测数据通常包含漫长的多传感器退化序列、复杂的运行条件、随机波动以及耦合的时空依赖关系，因此实现准确的剩余使用寿命预测仍面临挑战。若无法高效地从此类数据中提取与退化相关的信息，可能会导致计算冗余，且无法充分呈现关键的退化阶段。为此，本文提出了一种可学习的自适应序列压缩与时空融合方法（LASC-STF），用于航空发动机的剩余使用寿命预测。首先，LASC模块利用可学习的查询作为退化阶段探针，通过交叉注意力机制与原始的多传感器序列交互，将漫长且嘈杂的退化轨迹压缩为简洁的阶段标记。这些标记在降低序列冗余的同时，提供了以退化为导向的潜在表示。其次，STF模块采用堆叠的正交多层感知器结构，分别建模标记间的退化演化关系以及标记内传感器相关的潜在特征相互作用。最终，将融合后的表示展平为一维向量，再输入轻量级的回归模型进行剩余使用寿命预测。在C-MAPSS和N-CMAPSS数据集上的实验表明，与现有的主流方法相比，LASC-STF具有竞争力的预测精度。此外，本文还通过大量综合评估来验证所提方法的有效性。

引言
航空发动机是关乎安全的关键设备，其退化或意外故障可能直接影响飞行可靠性、维护成本及运营风险。从可靠性工程的角度来看，有效的健康评估不仅需要预测故障发生时间，还需在风险达到不可接受程度之前为及时维护提供依据[1][2]。预测与健康管理技术通过整合状态监测、数据分析及可靠性评估，为这一目标提供了重要途径。PHM的核心任务之一就是剩余使用寿命预测，即根据设备当前的健康状况，估算其直到达到预定义故障阈值之前的预期运行时间[3][4]。准确的剩余使用寿命预测对于防止意外故障、确保航空发动机的可靠运行具有重要意义[5][6]。

在航空发动机剩余使用寿命预测中，数据驱动方法被广泛采用，因为对于在复杂条件下运行的系统而言，建立高精度的物理退化模型十分困难[7][8]。C-MAPSS等公共基准数据集为可重复的比较提供了基础，推动了该领域方法的持续发展。不过，研究重点已逐渐从单纯提升单个基准数据集上的预测精度转向其他方面。对于那些至关重要的应用而言，剩余使用寿命模型还需能够处理漫长的多传感器退化序列、复杂的运行环境、随机性的测量波动以及计算限制。这些要求使得高效且可靠的退化表征学习仍然是一个重要的研究课题[7][8]。传统的数据驱动方法通常基于支持向量回归和随机森林等统计机器学习技术[9][10]，将剩余使用寿命预测视为一个回归问题，往往侧重于特定的特征提取工作[11]。但这些方法存在一个显著缺陷：其分离式的架构将特征提取与预测建模分开，依赖于领域专家的手工特征工程[12][13]。这种对手工特征的依赖本质上限制了模型的区分能力，而这种能力又受限于人类现有的先验知识[14][15]。从系统安全的角度来看，这一算法缺陷会直接导致严重的可靠性漏洞。无法有效捕捉复杂的退化模式，往往会增加航空发动机发生灾难性故障的风险。

深度学习方法通过实现端到端的学习，为解决这一难题提供了有力方案[16]。这种架构将特征提取与预测整合在统一的框架内，通过反向传播共同优化[17][18]，从而减少了对手工特征工程及领域专家知识的依赖，有助于自动发现复杂的退化模式，并在诸多剩余使用寿命预测任务中实现可靠的预测性能。过去十年间，大量研究致力于探索用于剩余使用寿命预测的循环神经网络和卷积神经网络架构[19]。循环神经网络及其变体利用循环反馈机制来模拟长期的时间依赖关系，从而能够捕捉退化的演化规律[20][21]。Heimes[22]率先证明了循环神经网络在处理航空发动机剩余使用寿命估算的多变量时间序列数据方面的优势。随后，郑等人[23]提出了长短期记忆网络，该网络借助记忆单元利用传感器序列信息，揭示数据中隐藏的退化模式。与此同时，卷积神经网络则通过在时间轴上滑动核函数来提取局部时间特征，能够在保持计算效率的同时有效检测出局部的退化迹象[24]。Babu等人[25]利用深度卷积神经网络架构实现了从原始数据中自动提取特征的功能，无需再进行手工特征工程。然而，这类架构要么按顺序处理时间步骤，要么在固定的局部窗口内处理，这可能使其无法区分退化过程中不同时间点的重要程度。

鉴于上述缺陷，基于注意力的深度学习方法引入了自适应加权机制，能够动态地优先处理重要的时间信息[26][27]。在众多基准数据集上，这种能力相较于传统的循环神经网络和卷积神经网络，始终展现出更好的性能[28][29]。例如，莫等人[30]提出了基于纯Transformer编码器的剩余使用寿命估算架构，与循环神经网络相比，该架构在捕捉长距离的退化依赖关系方面表现更优。不过，这类模型中的标准自注意力机制容易受到原始传感器数据中普遍存在的高频噪声和干扰的影响。为了解决这一问题，陈等人[31]采用卷积神经网络在将特征输入注意力层之前过滤高频噪声，从而获得了比其他方法更好的性能。值得注意的是，现代航空发动机配备了数十个传感器，会产生复杂的多传感器时间序列数据[32][33][34]。这些数据不仅存在显著的时间相关性（即同一传感器内随时间变化的退化情况），还存在内在的空间相关性（即任意时刻不同传感器读数之间的相互依赖关系）。然而，包括循环神经网络、卷积神经网络和Transformer在内的现有方法，往往缺乏专门用于利用传感器间这些时空依赖关系的机制。这一局限制约了它们从多传感器运行数据中挖掘有用信息、以实现可靠剩余使用寿命预测的能力。

在时间建模技术不断进步的同时，由于在捕捉时空依赖关系及提升预测精度方面仍存在诸多挑战，研究人员提出了更为复杂的架构。张等人[35]提出了集成式多头双稀疏自注意力网络，该网络通过双稀疏机制将计算资源集中在关键的退化特征上，同时保持对整体趋势的把握。不过，稀疏机制可能会影响对复杂局部时间动态及因果关系的捕捉。此后，张等人[36]又将自注意力机制与通过扩张因果卷积实现的广阔感受野结合在时间卷积网络中。这种混合设计既利用了感受野来提取局部趋势，又借助注意力机制的全局上下文感知能力，从而获得了较为可靠的预测结果。然而，依赖多层自注意力模块的混合架构会带来较高的计算开销。为了在不牺牲长期建模能力的前提下提升效率，韩等人[37]提出了Mamba-attention框架，将该框架将选择性状态空间模型与注意力机制相结合，实现了线性时间序列建模与全局信息聚合的统一。与此同时，为深入了解深度学习模型的内部工作机制，研究人员开始研究注意力模式的学习动态。周等人[38]提出了可变形卷积残差注意力机制，通过可视化注意力分布的演变过程，该方法研究了退化特征的学习过程，有助于了解模型是如何逐步聚焦于关键信息的。

尽管取得了上述诸多进展，但由于多传感器监测信号之间存在复杂的时空相关性，要实现对飞机发动机的准确、可靠剩余使用寿命预测依然面临挑战。具体而言，还存在若干局限性。首先，许多模型直接处理完整长度的序列，而当历史轨迹中仅有部分内容与退化相关时，这种方式可能会造成计算冗余。其次，传统的注意力机制通常依赖于被动的成对相似性，难以从漫长且嘈杂的传感器序列中明确识别出关键的退化阶段。第三，现有方法往往以顺序方式或松散耦合的方式处理时间与空间依赖关系，这可能不足以捕捉退化阶段演化与多传感器相关性之间的动态交互作用。正是这些局限性促使人们开发出一种更具任务导向性的航空发动机剩余使用寿命预测表征框架。

为了解决这些挑战，本文提出了一种用于航空发动机剩余使用寿命预测的可学习自适应序列压缩与时空融合网络（LASC-STF）。该框架包含两个创新组件。其一为LASC模块，该模块利用可学习的查询作为退化阶段探针，通过交叉注意力机制与原始的多传感器序列进行交互。它不会同等保留所有时间步，而是自适应地将漫长且嘈杂的退化轨迹压缩为一系列简洁的阶段标记，旨在在降低序列冗余的同时保留与退化相关的信息。另一个组件是STF模块，它在潜在空间中进行正交的时空融合处理。具体而言，标记间混合机制用于建模不同退化阶段标记之间的演化关系，而标记内混合机制则用于捕捉每个标记内的传感器相关潜在特征相互作用。最终，这两种集成方法共同作用于一个基于轻量级多层感知器的预测模块，将该模块学到的时空特征转化为准确的剩余使用寿命预测结果。

本文共有三项贡献：第一，针对漫长的多传感器序列提出了自适应的退化阶段压缩方法：通过开发一种可学习的自适应序列压缩模块，可将原始的航空发动机监测序列转换为简洁的退化阶段标记。该模型利用可学习的查询作为可训练的退化阶段探针，能够主动从漫长且嘈杂的传感器轨迹中提取与退化相关的信息，而非被动地处理具有统一时间分辨率的完整序列。第二，提出了用于退化表征学习的潜在时空融合方法：该模块针对经过压缩的阶段标记表示进行处理，通过交替进行标记间混合和标记内混合，能够在潜在空间中同时建模退化阶段的演化过程以及传感器相关的特征相互作用。这种设计为捕捉时间与多传感器退化之间的耦合模式提供了一种任务导向的融合策略。第三，对航空发动机剩余使用寿命预测方法进行了全面验证：该研究不仅在C-MAPSS基准数据集上，还在典型的N-CMAPSS数据集之一上对所提方法进行了测试。除了与现有的主流方法进行比较外，还通过大量分析，包括消融实验、敏感性分析、分阶段评估、噪声鲁棒性测试、注意力可视化以及计算效率对比，来检验该框架的有效性、鲁棒性及效率。

本文的其余部分结构如下：第2节详细介绍了LASC-STF网络架构；第3节阐述了实验设置及实现细节；第4节展示了在C-MAPSS和N-CMAPSS数据集上的实验结果，并进行了深入分析；最后，第5节对全文工作进行了总结。

方法论
由于长期使用，航空发动机的健康状态会逐渐恶化。现代航空发动机配备了多个传感器，用于监测其运行状态及健康状况。这些传感器信号蕴含着有用的退化信息，但不同传感器以及在不同运行阶段，这些信息对剩余使用寿命预测的参考价值各不相同。此外，监测信号往往还会受到随机波动、测量误差以及冗余时间因素的影响。

数据集与预处理
所提方法在NASA提供的C-MAPSS基准数据集的所有四个子集上进行了测试[1]，并在N-CMAPSS数据集的代表性DS02子集上进行了进一步验证[41]。关于N-CMAPSS数据集的详细实验分析见第4.6节。本小节首先介绍C-MAPSS数据集及其预处理流程。C-MAPSS数据集包含从某大型商用涡扇发动机中模拟得到的多变量时间序列数据，共计四个部分。

实验
本章对所提方法进行了全面评估。评估内容包括七个方面：在C-MAPSS基准数据集上与现有主流方法进行的性能比较、消融实验、超参数敏感性分析、不同剩余使用寿命范围下的性能分析、在不同噪声条件下的鲁棒性分析、在N-CMAPSS数据集上的验证，以及相关讨论。

结论
本研究提出了一种名为LASC-STF的可学习自适应序列压缩与时空融合框架，用于航空发动机的剩余使用寿命预测。该框架采用分阶段的预测流程：首先，LASC模块通过引入可学习的查询，自适应地将漫长的多传感器退化序列压缩为简洁的阶段标记表示。随后，STF模块通过建模标记间的退化演化关系，实现潜在空间的时空融合处理。

CRediT作者贡献说明
黄晓奇：撰写——初稿、软件实现、方法论、数据整理、概念构思。王建宇：撰写——初稿、软件实现、方法论、研究实施、数据整理。张恒：撰写——审稿与编辑。恩里科·齐奥：撰写——审稿与编辑。强淼：写作——审阅与编辑。利益冲突声明作者声明不存在任何可能影响本文所汇报工作的已知财务利益或个人关系。致谢本研究部分得到了以下项目的支持：国家自然科学基金项目编号62403337；四川省科技计划项目编号2025YFHZ0157；数字敏捷飞机设计国家重点实验室开放资助项目编号F20250305；四川省自然科学基金项目编号2025ZNSFSC1510；中国博士后科学基金会项目编号2024M762210；四川大学博士后跨学科创新基金；以及开放研究项目。