SE-GCiTNets与TPMCV：一种用于预警机械系统性能下降导致的飞行中停机的方法

《Expert Systems with Applications》：SE-GCiTNets & TPMCV: an early warning method for in-flight shutdown caused by mechanical system performance degradation

　　摘要：由机械系统性能下降导致的航空发动机空中停机现象对飞行安全构成严重威胁。现有的监测方法往往依赖原始时间序列数据，未能充分利用高维特征，且缺乏基于多参数融合的强大预警策略。为解决这些问题，本文提出了一种预警框架，将自演化GADF-CNN-iTransformer网络预测模型与时间参数混合准则值策略相结合。SE-GCiTNets模型可将时间序列数据转换为图像表示以进行初步预测，从而实现更丰富的特征提取。一个自演化模块可独立预测各参数，以避免局部精度损失，同时通过动态加权机制整合这些预测结果。随后，通过计算预测值与实际值之间的残差来量化异常状态。再从这些残差中构建整合了时间维度与参数维度的健康指标。该指标结合逻辑判断框架，能够实现有效的空中停机预警。通过对真实飞行数据的验证，该方法可在至少一次飞行前可靠地发出二级预警，展现出较强的稳健性与工程应用价值。

引言：由于航空发动机设计极为复杂，对材料及制造工艺要求极高，它常被称为“工业皇冠上的明珠”。在现代航空领域，为追求更高的功能性与性能，对发动机的效率及推重比要求日益提高，这进一步增加了发动机结构的复杂性（Biao等人，2023）。与此同时，这些发动机需要在极端温度和压力下持续运行，其关键部件会承受严重的热应力与机械应力（Xiaofeng等人，2024）。此类环境显著提升了疲劳损伤及突然结构故障的风险。空中停机是一种民用飞机事故，会导致发动机推力突然丧失，直接危及飞行安全。因此，空中停机问题长期以来一直是原始设备制造商、航空公司以及民航监管机构的重点关注对象（Hu等人，2020）。

空中停机的成因多种多样，包括机械系统故障、电子系统故障、操作失误以及外来物损害（Liu等人，2015）。与由电子故障、机组操作错误或异物吸入引发的突然停机不同，因机械系统性能下降导致的空中停机是逐渐发展的。这种渐进式的恶化为在故障发生前实现早期预警提供了可能。为有效检测航空发动机性能下降的早期迹象并迅速定位潜在故障源，研究人员在异常检测（Wang等人，2025；Lin等人，2024；Kang等人，2024）与故障诊断（Huang等人，2025；Liao等人，2024；Irani等人，2024）领域开展了大量研究。这些研究形成了一系列可用于空中停机预警的方法。根据其基本原理，当前主流方法可分为两类：基于模型的方法与数据驱动方法。基于模型的方法试图通过构建详细的数学与物理模型来描述发动机动态特性（Lu等人，2021；Huang等人，2023；Chen等人，2021）。这些模型旨在捕捉可能预示故障即将发生的潜在行为。然而，航空发动机本质上是非线性且高度复杂的系统，需要极其精确的模型。建模误差可能导致误报或漏检，从而影响方法的可靠性。相比之下，数据驱动方法则利用大量的历史运行与故障数据集，通过挖掘内在模式来识别发动机状态（Han等人，2025；Wang等人，2025；Feng等人，2025）。这类方法通常具备更强的适应性与泛化能力。根据标记数据的完整性，数据驱动技术可分为三类：监督学习（Wang，2025；Chen等人，2022；Montazeri-Gh和Nekoonam，2022）、无监督学习（Zhe等人，2025；Cheng等人，2024；Jin等人，2023）以及有限监督学习（Sun等人，2021；Cai等人，2025；Zhang和Zhang，2025）。

由于获取标记故障数据存在诸多困难，基于预测的无监督数据驱动方法逐渐成为航空发动机机械故障诊断与异常检测领域的关键研究方向。这类方法旨在基于正常运行条件构建故障特征参数预测模型，通过比较实际参数序列与模型生成的预测值，根据两者之间的偏差程度来判断发动机是否处于异常状态。例如，Cui等人（Cui等人，2021）开发了LSTM模型来预测气体路径参数，通过构建预测值与实际值之间残差的高斯模型，成功实现了发动机异常检测。类似地，Wang等人（Wang、Wang、Wang、Yang和Zhao，2023）提出了数字孪生框架，该框架整合了组件级机理模型、PSO-XGBoost数据驱动模型以及低秩多模态融合方法，以实现航空发动机气体路径参数的高精度预测。在此基础上，他们还引入了稀疏堆叠自编码器用于故障诊断。尽管这些方法为空中停机预警提供了新的思路，但其支撑数据主要来自实验或仿真场景，针对涵盖所有飞行阶段的真实飞机数据的探索仍然不足。尤其值得注意的是，目前还缺乏关于异常检测算法在空中停机预警领域适用性的数据验证。

多变量预测模型是无监督、基于预测的方法的核心技术。目前，提升这类模型的精度已成为各行各业在故障诊断、监测与预警领域的研究重点。例如，Zhang等人（Zhang等人，2024）利用时间卷积网络模型预测电动汽车中锂电池的单个电池电压，通过持续监测预测值与测量值之间残差的阈值违规情况，实现了内部短路故障预警。Chen等人（Chen等人，2025）提出了Transformer-BiGRU全局注意力-交叉注意力模型，用于预测无人海上平台30个测量点的PCA主成分；基于该预测模型，他们通过残差构建了MSG指标，从而实现早期故障预警。Huang等人（Huang等人，2024）则引入了Autoformer WaveBound模型，用于预测煤磨机侧进风口的混合压力等8个核心运行参数。该模型通过双重机制实现早期故障预警：一是单变量预测偏差超出限制，二是通过Wasserstein距离实现整体异常检测。然而，目前的相关研究大多仍集中在提升整体预测精度上。因此，现有的预测模型普遍采用一种优化目标，即最小化所有故障特征参数的预测误差加权之和。这种全局优化目标往往忽视了局部特征参数的预测精度损失，从而导致为提升整体精度而牺牲局部精度的问题。

另一方面，当前研究中大多数现有预测模型主要依赖直接使用原始时间序列数据，对高维特征表示的探索不足。传统方法通常将一维序列作为模型输入，因而无法充分利用参数矩阵中蕴含的丰富信息。这一限制影响了模型捕捉复杂时空关联的能力。近年来，探索更高维度的输入表示已成为异常检测与数据预测领域的重要研究方向。值得注意的是，将一维时间序列数据转换为二维图像表示，并利用图像输入进行建模的方法，在各种应用领域越来越被广泛应用。Yao等人（Yao等人，2024）采用Gramian角求和场将电池健康指标转换为图像表示，从而提升了数据维度。借助这些基于图像的特征，他们成功预测了电池的健康状态。Dai等人（Dai等人，2024）则结合变分模态分解与Gramian角差场，对时间序列数据进行维度扩展，进而用于轴承故障诊断。同样，Sun等人（Sun和Wang，2024）利用对称点阵图案将时间序列信号转换为图像，从中提取退化特征，以辅助预测轴承的剩余使用寿命。然而，数据维度扩展技术在航空发动机故障诊断与异常检测中的应用仍相对较少。考虑到发动机运行过程中故障特征参数的快速动态变化，高维表示有望捕捉更丰富的特征信息。这有助于更精准地预测多个参数，提升异常检测的精度，从而为可靠的空中停机预警奠定坚实基础。因此，有必要深入研究如何将数据维度扩展方法整合到空中停机预警框架中。

综上所述，现有研究的局限性可归纳为以下几点。首先，在预测模型层面，当前研究往往未能充分利用高维特征，且在追求整体性能时倾向于牺牲局部特征参数的预测精度。其次，在空中停机预警层面，缺乏对多特征参数的全面利用，多维信息的整合也不够充分，这限制了预警的有效性以及风险量化能力。第三，在数据层面，大多数现有研究过度依赖实验或仿真数据，对涵盖整个飞行阶段的真实飞行数据的研究较少，而且缺乏基于真实数据对空中停机预警策略的实证验证。

为解决上述问题，本研究提出了一种针对机械系统性能下降所引发空中停机的新型预警方法。该方法将用于预测多个特征参数的自演化GADF-CNN-iTransformer网络模型与基于时间参数混合准则值的预警策略相结合。具体实施流程如下：首先，从真实的航空发动机运行数据中提取与空中停机预警相关的关键故障特征参数。接着，使用在正常工况下运行的飞机的飞行数据训练SE-GCiTNets模型，然后利用该训练好的模型预测其他飞机在整个飞行阶段的特征参数。随后，计算预测值与实际值之间的残差以提取异常信息，进而得出每次飞行的TPMCV值。最后，通过应用所提出的基于TPMCV的策略发出预警。实验结果与验证表明，该方法能够有效预警因机械系统性能逐步下降而引发的空中停机事件。

具体而言，本研究相比现有研究具有以下几项重要贡献：1. 提出了一种用于预测多个特征参数的新型模型——SE-GCiTNets。该模型采用GADF进行图像编码，从而实现有效的数据维度扩展。它整合了CNN与iTransformer架构，以实现深度特征提取并实现准确的多参数预测。此外，为解决局部预测精度下降的问题，该模型还引入了基于改进的DLinear框架的自演化模块。该模块能够动态地对基于图像的预测输出与自演化预测输出进行加权融合，从而在提升整体预测精度的同时，减少局部参数预测的精度损失。2. 提出了一种基于TPMCV的空中停机预警策略。TPMCV通过全面整合时间维度与参数维度上的异常信息，来量化空中停机风险。通过将历史航空发动机状态数据纳入逻辑判断过程，所提出的基于TPMCV的预警策略能够实现对空中停机事件的可靠预警。3. 本研究使用了涵盖整个飞行阶段的真实航空发动机飞行数据。SE-GCiTNets模型是通过大量的真实QAR数据进行训练与评估的，而所提出的基于TPMCV的空中停机预警策略则是通过真实的空中停机事故案例进行验证的。这种方法解决了现有研究过度依赖实验或仿真数据的问题，显著提升了研究的工程应用价值与实际意义。

本文的其余部分结构如下。第2节介绍目标工程问题的数学建模方法，并说明所使用的数据集。第3节全面阐述所提出的空中停机预警方法，包括预测模型与预警策略。第4节详细说明实验设置与数据预处理流程。第5节详细介绍所提方法的广泛实验验证情况，并对预测结果与预警结果进行深入分析。最后，第6节总结研究结论，并指出未来研究的方向。对于飞机Z的飞行任务i，在发动机运行过程中，所选定的发动机故障特征参数——如排气温度（EGT）、燃油流量（FF）以及低压转子转速（N1）——会被表示为时间序列矩阵，记为Y∈RN×Th，其中N表示所选特征参数的总数。基于2.1节中介绍的建模方法，本文提出的IFSD早期预警方法的整体流程如图1所示。该方法的实施步骤如下：(1)从QAR记录中提取相关的故障特征参数，并进行数据预处理；(2)利用前一时间步的历史状态数据作为输入，通过所提出的预测模型来预测当前时刻各特征参数的值。

数据预处理
原始的QAR数据由于信号干扰和传感器漂移等因素，不可避免地会存在异常值和缺失值，这些都会影响模型的泛化能力。因此，需要通过严格的异常值检测和插补手段来保证数据质量。

历史序列长度对预测精度的影响
在评估预测模型的性能之前，有必要研究历史序列长度（也称为输入长度）对预测精度的影响。其原因是，虽然更长的序列理论上能提供更丰富的潜在信息，但由于QAR数据中参数的快速变化，这些序列也会带来冗余信息和噪声。此外，更长的序列还会显著增加GADF图像编码的视觉复杂性，从而可能影响预测效果。

结论
本文提出了一种用于检测由机械系统性能下降引发的IFSD的无监督预警方法。该方法将SE-GCiTNets预测模型与TPMCV预警策略相结合。SE-GCiTNets采用基于GADF的图像编码、CNN和iTransformer特征提取技术，以及自演化分支，以提高多参数预测的准确性，同时减少单个参数的局部精度损失。TPMCV策略则进一步将预测残差转化为飞行等级预警。

资金来源
本文档是中国国家自然科学基金联合资助的研究项目（U2133202）的成果。

作者贡献说明
陶行宇：概念设计、方法论、软件实现、形式分析、研究工作、可视化处理、初稿撰写。范凤良：数据整理、验证工作。魏玉飞：审稿与编辑工作。徐秋涵：研究工作、软件实现。蔡静：监督指导、资金申请、资源协调。左洪福：监督指导、项目管理、概念设计。张颖：监督指导、资金申请、审稿与编辑工作。

利益冲突声明
作者们声明自己不存在任何可能影响本文所述工作的已知财务利益或个人关系。

陶行宇|范凤良|魏玉飞|徐秋涵|蔡静|左洪福|张颖