基于退化感知掩码增强和CNN–Transformer混合网络的航空发动机剩余使用寿命预测方法

《Machines》：A Remaining Useful Life Prediction Method for Aero-Engines Based on Degradation-Aware Masked Augmentation and a CNN–Transformer Hybrid Network

　　

准确的剩余使用寿命（RUL）预测对于基于条件的维护和安全航空发动机运行至关重要。为解决非平稳监测数据、信息性退化样本有限以及局部退化模式与时间依赖性联合建模的困难，该研究提出了一种结合多尺度卷积神经网络（CNN）–Transformer网络的退化感知动态掩码增强方法。首先将NASA C-MAPSS数据集中的21个传感器变量按物理意义分组并重构为四维状态特征。然后，利用集成局部方差和趋势斜率的退化状态分数来适应不同退化阶段的时域掩码概率，同时根据特征重要性分配特征掩码概率。掩码位置用相邻未掩码观测值填充，并通过趋势一致性验证移除无效增强样本。具有通道注意力的多尺度CNN提取局部退化特征，Transformer编码器捕获时间依赖性。使用贝叶斯优化确定关键超参数。在FD001上，该方法实现了均方误差（MSE）为348.3970，平均绝对误差（MAE）为8.3908，决定系数（R²）为0.9227，与ML-RFR相比，MSE和MAE分别降低了4.27%和28.42%。在FD003上也取得了最高的R²为0.9369。跨数据集和多随机种子实验进一步证实了其适用性和稳定性。

论文解读文章

一、研究背景
航空发动机作为核心动力系统，其运行可靠性直接影响飞行安全与维护成本。随着工业4.0和智能制造的发展，维护策略从定期维护转向基于条件的预测性维护。准确的剩余使用寿命（RUL）预测对于基于条件的维护至关重要。然而，现有研究面临非平稳监测数据、信息性退化样本有限以及局部退化模式与时间依赖性联合建模困难等问题。传统数据增强方法缺乏退化阶段感知，卷积神经网络（CNN）局部特征提取与Transformer全局建模各有局限。因此，研究人员提出一种基于退化感知动态掩码增强和CNN–Transformer混合网络的航空发动机RUL预测方法，旨在提高预测精度和泛化能力。该论文发表在《Machines》期刊上。

二、关键技术方法
研究人员主要采用以下关键技术方法：（1）退化感知动态掩码增强策略：通过构建退化状态评分（结合局部方差和趋势斜率），动态调整时域掩码概率和特征掩码概率，采用相邻时间步均值填充，并通过趋势一致性验证去除无效增强样本；（2）多尺度卷积神经网络（CNN）模块：使用三个并行一维卷积核（尺寸3、5、7）提取不同时间尺度的局部退化特征，并引入通道注意力机制进行特征重标定；（3）Transformer编码器：通过多头自注意力机制建模输入窗口内不同运行周期之间的全局时间依赖关系；（4）贝叶斯优化：用于搜索关键超参数，如注意力头数、前馈网络维度等。实验数据来源于NASA C-MAPSS数据集（四个子集FD001–FD004）以及N-CMAPSS DS02数据集。

三、研究结果
3.1 数据集描述与预处理：通过标准化和主成分分析（PCA）重构，将C-MAPSS数据集的21个传感器变量按物理意义分为四组，转换为四维状态特征，并采用滑动窗口（长度15）构建时间序列样本，生成RUL标签。
3.2 实验设置与评估指标：采用贝叶斯优化确定超参数，使用早期停止和学习率衰减策略，评估指标包括均方误差（MSE）、平均绝对误差（MAE）、决定系数（R²）和非对称评分函数（Score）。硬件配置为GPU。
3.3 总体预测性能分析：在FD001上，该方法获得MSE=348.3970，MAE=8.3908，R²=0.9227；在FD003上获得最高R²=0.9369；在多工况复杂条件下（FD002和FD004），模型仍保持较好趋势拟合能力，FD004的R²为0.8387。结果表明方法在不同工况和故障模式下均具有良好预测性能。
3.4 模块消融研究：在FD001上，通过去除多尺度CNN、去除Transformer、去除数据增强、使用固定概率掩码等变体，完整模型相比无增强提升R²0.0827，相比固定概率掩码提升R²0.0377，且训练-测试MSE差距分别降低57.0%和33.4%。验证了各模块的互补贡献。
3.5 退化阶段划分阈值敏感性分析：在FD001上，测试不同阈值组合，当δ₁=0.35、δ₂=0.65时模型取得最低MSE和MAE，表明该阈值划分最匹配。
3.6 收敛性分析：在FD003上，训练集和验证集的MSE和MAE均呈现稳定收敛趋势，表明模型优化稳定。
3.7 预测结果可视化分析：随机选取各子集测试样本，预测值与真实值高度一致，散点图显示样本点靠近对角线，低RUL区域集中，表明模型在失效阶段预测稳定。
3.8 多模型对比实验：在FD001上，与LSTM、GRU、CNN、Transformer、ML-RFR