多模态时空图注意力网络与不确定性量化用于航空发动机预测

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Multimodal spatiotemporal graph attention network with uncertainty quantification for aircraft engine prognostics

【字体: 大 中 小 】 时间:2026年07月24日 来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 10.2

编辑推荐:

  航空发动机预测对于安全、成本降低和高效机队管理至关重要。尽管存在丰富的多模态传感器数据,但当前大多数预测方法局限于单模态分析,缺乏不确定性量化,并依赖预定义传感器图。为解决这些局限性,研究人员引入了多模态时空图注意力网络与不确定性量化(MST-GAT-UQ),

  
航空发动机预测对于安全、成本降低和高效机队管理至关重要。尽管存在丰富的多模态传感器数据,但当前大多数预测方法局限于单模态分析,缺乏不确定性量化,并依赖预定义传感器图。为解决这些局限性,研究人员引入了多模态时空图注意力网络与不确定性量化(MST-GAT-UQ),这是一种用于航空发动机预测的新型深度学习框架。所提出的模型通过卷积神经网络-长短期记忆网络(CNN-LSTM)集成时间模式,通过图注意力机制集成空间相关性,以及通过短时傅里叶变换(STFT)结合二维卷积神经网络(2D CNN)处理集成频率特征。关键创新包括:一种基于相关性的图构建方法,可从运行数据自动学习传感器关系;层次注意力融合,以自适应地加权不同模态;以及由温度缩放增强的蒙特卡洛丢弃(Monte Carlo dropout),用于同时进行剩余寿命(RUL)和健康状态预测,并带有校准的不确定性区间。该框架在一个包含F100-PW-229涡扇发动机84个传感器和43,492个样本的真实运行数据集上进行了全面验证,在合成标签验证框架内(该数据集无真实运行RUL;报告的指标量化了模型在再现合成施加的线性退化轨迹方面的保真度,不应解释为真实剩余寿命预测),在归一化RUL尺度上实现了R2 = 0.911、RMSE = 0.087、MAE = 0.072,以及合成健康状态复制准确率99.5%(辅助任务;健康状态标签是合成RUL信号的确定性阶跃函数,不携带独立的诊断信息)。与标准NASA C-MAPSS基准的对比分析作为零样本域迁移诊断进行,表征了两个数据集之间的标签分布偏移,并确认原生C-MAPSS训练在所有四个子集(FD001–FD004:R2 = 0.607–0.863)上产生正R2。这项工作朝着用于安全关键航空应用的可靠、不确定性感知和多模态预测系统迈出了重要一步,其不确定性区间具有方向性信息但适度过度自信(经验覆盖率为88.7%,名义水平为95%;ECE = 0.254),表明在安全关键操作部署之前需要进一步校准改进。
**论文解读**

**研究背景与问题**
航空发动机预测与健康管理(PHM)是航空航天工程的关键领域,通过准确预测剩余寿命(RUL)和健康状态分类,可显著提升运行安全、降低维护成本并优化机队管理。现代军用和商用航空发动机配备了丰富的传感器阵列,捕获热力学、机械和气动参数,但当前大多数预测方法存在以下局限:仅依赖单模态分析(如时间序列或空间相关性),缺乏对多模态传感器数据复杂相互作用的利用;模型通常输出确定性点估计,缺少不确定性量化,难以支持安全关键决策;图神经网络方法需预定义传感器物理连接图,无法从数据中自动学习运行相关性;此外,验证多依赖模拟数据集(如C-MAPSS),真实运行数据验证不足。为解决这些问题,研究人员提出了多模态时空图注意力网络与不确定性量化(MST-GAT-UQ)框架,旨在集成时间、空间和频率信息,并融入不确定性量化,用于真实运行航空发动机数据。

**研究内容与结论**
研究人员开发了MST-GAT-UQ框架,并在F100-PW-229涡扇发动机真实运行数据集(包含84个传感器、43,492个样本,跨越2003–2024年)上进行了验证。由于该数据集缺乏真实RUL标签,研究人员采用合成线性退化标签(RUL从1.0线性降至0.0)进行模型验证,并辅以维护事件代理分析作为定性一致性检查。研究得出以下关键结论:在合成标签任务上,框架实现了R2=0.911、RMSE=0.087、MAE=0.072(归一化尺度),以及合成健康状态复制准确率99.5%(辅助任务,反映RUL回归性能);不确定性估计通过蒙特卡洛丢弃(MC Dropout)和温度缩放提供,但经验覆盖率为88.7%(95%名义水平),存在适度过度自信;基于相关性驱动的图构建方法自动学习传感器关系,生成稀疏图(84节点、235边),且通过消融实验验证了时间(CNN-LSTM)、空间(图注意力网络GAT)和频率(STFT-2D CNN)三个分支的互补贡献;在NASA C-MAPSS原生训练上,框架在所有四个子集(FD001–FD004)上均获得正R2(0.607–0.863),验证了架构能力。该研究发表在《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》上,代表了向可靠、不确定性感知、多模态航空发动机预测系统迈出的重要一步。

**主要关键技术方法**(不超过250字)
研究人员采用以下关键技术方法:1)基于皮尔逊相关性(Pearson correlation)的图构建方法,通过阈值θ=0.3和top-k=5从运行数据自动学习传感器图(静态结构);2)多模态融合架构,包括时间分支(CNN-LSTM提取局部和长期时间依赖)、空间分支(GAT建模传感器相关性)和频率分支(STFT结合2D CNN捕获时频模式);3)层次注意力融合机制,自适应加权不同模态特征;4)蒙特卡洛丢弃(MC Dropout)结合温度缩放(temperature scaling)实现不确定性量化,同时输出RUL回归和健康状态分类(四类:正常、退化、临界、失效)。验证数据集来自F100-PW-229涡扇发动机真实运行记录(84传感器、43,492样本,2003–2024年),采用合成线性退化标签及维护事件代理分析。

**研究结果**
(保留原文小标题)

**4.1 数据集特征与处理结果**
通过处理真实运行数据集,生成了43,462个重叠窗口(每个窗口30个运行周期),按80/20时间分割保留序列连续性,确保验证反映真实运行场景。

**4.2 训练性能与收敛分析**
训练30个周期后,验证损失从0.1743降至0.0155±0.0116。RUL特定损失达到均方误差(MSE)0.0069±0.0012(归一化尺度),对应R2=0.911。健康分类损失为0.0037±0.001,准确率99.5%(辅助任务,反映RUL回归性能)。

**4.3 传感器相关性分析与图构建结果**
相关性分析揭示了物理意义的关系,如TT2A与TT2B(r=0.999)、马赫数与PLA(r=0.977)。图结构稀疏(密度0.033),通过超参数敏感性分析(θ∈{0.1,0.5},top-k∈{3,10})选择θ=0.3、k=5。阶段图实验(将数据分为三个时间阶段)显示静态图假设在该数据集上近似成立(边缘重叠89.4%,p=0.62)。

**4.4 多模态特征分析与集成结果**
消融实验(表4)显示,移除频率分支后RUL MSE从0.0067增至0.0134,移除空间分支后增至0.0156,移除时间分支后增至0.0298,证实各模态互补。注意力权重分析(表5)显示,正常状态下时间权重占45.2%,退化至临界状态时空间权重增至42.3%,频率权重约18–21%保持稳定。

**4.5 预测性能与不确定性量化结果**
RUL预测在合成标签上达到MAE=0.072(归一化)。不确定性估计在健康状态转换区域正确扩大,但经验覆盖率88.7%(95%名义水平),ECE=0.254,表明模型适度过度自信。

**4.6 真实与模拟数据集对比性能**
零样本域迁移诊断(真实训练→C-MAPSS测试)因标签尺度不匹配出现负R2,而原生C-MAPSS训练(FD001–FD004)获得正R2(0.607–0.863),验证架构能力。

**4.7 计算性能与效率分析**
模型参数423,350,推理时间8.7 ms/序列,训练时间2.3小时(CPU),适合实时部署。

**4.8 统计显著性与不确定性校准分析**
五次独立运行显示RUL MSE一致性(0.0069±0.0012)。校准分析确认温度缩放后覆盖率为88.71%±11.64%,偏差显著,建议采用深度集成、SWAG或共形预测进行安全关键部署。

**4.9 维护事件代理的探索性一致性分析**
14个有维护记录的引擎中,11个(78.6%)在维护后预测RUL上升(平均增加0.18±0.09),Wilcoxon检验p=0.008,支持模型学习到物理合理的退化模式。

**讨论与结论总结**
讨论部分强调了多模态协同的贡献(时间、空间、频率分支互补),图学习方法的优势(自动捕获功能关系),以及不确定性估计的局限性(方向性有用但过度自信)。局限性包括:合成标签、校准不足、静态图结构、跨数据集泛化需域适应。结论部分翻译如下:
**6. 总结与结论**
**6.1 架构验证**
实验结果成功验证了MST-GAT-UQ架构在合成标签验证框架内处理多模态传感器数据和学习复杂模式的能力。框架展示了:通过层次注意力融合实现多模态集成;从传感器相关性中有效学习图(时间平均静态近似);扩展到84维高维输入;适用于实时应用的计算效率;以及RUL和健康分类的双重预测能力(辅助合成标签任务)。在F100-PW-229涡扇发动机真实运行数据上的实验评估表明,在合成标签下归一化RUL预测达到R2=0.911(RMSE=0.087,MAE=0.072),合成健康状态复制准确率99.5%(辅助任务;见4.2节),同时提供方向性信息但适度过度自信的不确定性估计(经验覆盖率88.7%,名义水平95%;ECE=0.254;校准限制见4.8.2节,推荐替代方案见5.4节)。

**6.2 与替代架构比较**
MST-GAT-UQ框架通过综合多模态集成和不确定性量化能力,代表了现有预测架构的显著进步。它独特地结合了时间、空间、频率和不确定性量化特征,而替代方法通常仅专注于其中一两个方面。

**6.3 关键发现**
第一,通过层次融合时间、空间和频率(STFT)特征的多模态集成,在合成标签验证任务上表现出优于单模态方法的性能,R2=0.911,合成健康状态复制准确率99.5%(辅助任务)。第二,通过蒙特卡洛丢弃和温度缩放的不确定性量化提供了方向性信息但适度过度自信的估计(经验覆盖率88.7%,ECE=0.254),不宜作为硬安全阈值。第三,基于运行传感器相关性的图构建消除了预定义网络结构需求,同时保持物理可解释性(时间平均静态结构)。第四,框架成功处理了84个传感器通道的真实航空发动机数据。第五,约423k参数和8.7 ms推理时间实现了计算效率,适合实时机载应用。

**6.4 方法与工程贡献**
主要贡献是方法性和领域特定的,而非基础理论突破。每个组件(CNN-LSTM、GAT、STFT、MC Dropout、层次注意力)在文献中已成熟,新颖性在于其针对特定问题(真实军用发动机84传感器数据)的原则性集成、系统评估和透明报告。

**6.5 实际影响**
框架提供了实质性实际效益:在合成标签下R2=0.911的RUL估计;支持合成健康状态复制(99.5%准确率);通过不确定性量化实现风险感知调度(方向性信息);通过消融证据支持早期趋势检测;以及支持基于状态的维护策略。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号