《Aerospace》：Multi-Feature Fusion Based Adaptive Surge Detection Method for Aero-Engine Compressors
编辑推荐：
压气机喘振对航空发动机构成严重安全风险。然而，传统的基于物理的检测方法依赖单一域特征和固定经验阈值，难以适应不同的压气机构型、宽工况范围及复杂干扰环境。研究人员提出了一种多特征融合自适应喘振检测方法，该方法将时域幅值、频率加权功率（FWP）和斜率特征集成于联合
压气机喘振对航空发动机构成严重安全风险。然而，传统的基于物理的检测方法依赖单一域特征和固定经验阈值，难以适应不同的压气机构型、宽工况范围及复杂干扰环境。研究人员提出了一种多特征融合自适应喘振检测方法，该方法将时域幅值、频率加权功率（FWP）和斜率特征集成于联合阈值准则中，能够根据信号自身的统计特性实现可靠且自适应的喘振检测。通过系统评估，小波预处理策略采用db4小波和四层分解作为最优设置。本文引入了一种新特征FWP，它对功率谱密度施加频率相关加权，以抑制噪声分量，同时放大喘振相关频带内的能量变化，在喘振点附近相比总谱功率实现了1.7到6.1倍的幅值变化提升。此外，研究发现斜率特征能够区分喘振与快速阀门节流、燃油阶跃及快速加速等瞬态干扰。在100个样本中，集成自适应阈值准则的三特征联合检测策略将准确率从61%提高到98%。研究人员开发了一种基于高斯过程代理模型的贝叶斯优化框架，用于高效的跨发动机超参数调优，在两种不同的压气机上仅需11到13次迭代即可收敛到最优解。最后，该方法在基于NI cRIO的实时平台上实现，并在两种不同的十级高压压气机上进行了验证，覆盖了45%到98%的宽转速范围的喘振试验。与行业标准参考设备的对比测试表明，预警提前时间为41到99毫秒。结果证实，所提出的方法在实际应用中具有高精度、强抗操作干扰鲁棒性以及良好的跨平台适应性。
航空发动机压气机喘振（surge）是一种严重的安全威胁，可在毫秒级内导致灾难性结构损坏。然而，喘振特征随压气机构型和运行工况变化显著，传统基于单一物理特征和固定经验阈值的检测方法难以适应不同配置、宽工况范围及复杂外部干扰环境。现有方法包括时域法、时频分析法以及机器学习/深度学习方法，但普遍存在依赖单一特征、阈值固定依赖经验、缺乏对瞬态操作干扰鲁棒性验证等局限性。为解决这些问题，研究人员提出了一种多特征融合自适应喘振检测方法，并发表在《Aerospace》期刊上。该方法集成了时域幅值、频率加权功率（FWP）和压力斜率三个互补特征，结合自适应动态阈值准则，实现了高精度、强鲁棒性和跨平台适应性的喘振预警。通过贝叶斯优化框架实现快速跨发动机超参数校准，并在基于NI cRIO的实时平台上对两种不同构型的十级轴流高压压气机进行了验证，覆盖45%至98%转速范围，相比行业标准参考设备实现41-99毫秒的提前预警，且在低速弱喘振条件下成功检测。
主要关键技术方法包括：小波预处理（采用db4小波和4层Mallat离散小波分解，通过重构均方误差（MSE）、平均绝对差（MAD）等指标系统评估选定）；时域自适应动态阈值（基于滑动窗内信号的均值和标准差动态调整上下边界）；频域FWP特征（基于Welch功率谱密度估计，引入频率相关加权，抑制近直流和高频噪声，放大喘振相关频带能量变化）；斜率特征（通过计算连续采样点间的时间导数，量化信号变化速率，用于区分瞬态操作干扰）；三特征联合自适应阈值准则（同时满足时域幅值、FWP和斜率三个特征的触发条件）；贝叶斯优化框架（采用高斯过程（GP）代理模型和期望改善（EI）采集函数，自动优化三个超参数k1、k2、k3）。样本来源：两种不同构型的十级轴流高压压气机（来自不同涡扇发动机型号），动态压力测量位于出口导叶（OGV）下游。
研究结果如下：
**2.3 时域特征分析**
论文通过时域自适应动态阈值方法，基于滑动窗内重构信号的均值和标准差计算动态上下边界，使阈值能根据信号波动自动调整。实验表明，该方法在正常小幅波动时能有效避免误报，但单独使用时易受尖峰噪声和电磁干扰影响，导致误触发。
**2.4 频域特征分析**
研究人员引入新特征FWP，通过频率相关加权放大喘振相关频带能量变化。对比总谱功率（TP），FWP在喘振点附近的变化幅度大1.7到6.1倍（依转速不同）。构建频域自适应动态阈值，并与时域特征联合形成Alarm1,2策略，成功抑制了尖峰噪声和电磁干扰引起的误报，但对快速节流等瞬态操作仍存在误触发。
**2.5 鲁棒性设计**
引入斜率特征，通过计算压力信号的时间导数，量化信号变化速率。实验表明，喘振发生时斜率呈现尖锐脉冲，而快速阀门节流、燃油阶跃、加速等瞬态操作下斜率变化平缓。因此，三特征联合策略（Alarm1,2,3）在100个样本（70个喘振、30个非喘振）上测试，准确率从单特征的61%（Alarm1）提升至91%（Alarm1,2），最终达到98%（Alarm1,2,3），证明了多特征融合对提高鲁棒性的有效性。
**2.6 贝叶斯优化**
采用高斯过程（GP）代理模型结合期望改善（EI）采集函数的贝叶斯优化框架，对三个超参数k1、k2、k3进行跨发动机自动调优。在两种不同压气机上，分别经过13次和11次迭代即收敛到最优解，使得检测准确率从初始的97.3%和95.3%均提升至100%。对比传统网格搜索需上千次评估，大幅降低了校准代价。优化后的k2值差异揭示了不同压气机在喘振前存在不同的旋转失速（rotating stall）前兆特征，导致FWP阈值需求不同。
**3.2 喘振测试与验证**
在基于NI cRIO的实时平台上，对两种十级高压压气机进行在线测试，覆盖45%至98%相对换算转速。与行业标准参考设备对比，所提方法在全部工况下均实现更早预警，提前时间分别为52-99毫秒（压气机1）和41-98毫秒（压气机2）。在45%和55%低速工况下，参考设备未能触发报警，而所提方法通过自适应阈值成功检测到弱喘振信号（压力比仅1.5-1.62），证明了其在低速弱喘振条件下的有效性。
**讨论与结论**
讨论部分指出，虽然方法依赖高频动态压力测量（10-20 kHz），且最大化精度需少量历史喘振数据用于贝叶斯优化，但默认超参数已能获得可接受精度。未来工作将探索不同压气机预喘振失稳行为的更深层气动机制，并扩展验证至全发动机更恶劣工况（如进气畸变、极端环境）。
结论部分总结如下：
(1) 建立了时域和频域自适应动态阈值策略。在频域引入新特征FWP，通过频率加权抑制近直流和高频噪声，放大喘振相关频带能量变化，相比总谱功率在喘振点附近变化幅度大1.7到6.1倍。
(2) 基于斜率特征的鲁棒性设计解决了区分喘振与操作干扰（如压气机试验中的背压阀节流、全发动机试验中的燃油阶跃和快速加速）的问题。斜率特征能够有效区分喘振与瞬态操作引起的扰动。
(3) 三特征联合检测策略（Alarm1,2,3）在100个数据文件（70个喘振、30个非喘振）上全面测试，整体准确率从61%提高到98%。该策略遵循清晰的增强路径：幅值提供基础检测，FWP抑制尖峰噪声干扰，斜率区分操作干扰与真实喘振。
(4) 开发了基于高斯过程代理模型的贝叶斯优化框架，用于高效跨发动机超参数调优，在仅11到13次迭代内收敛到最优解，将两种压气机的初始准确率95.3%和97.3%提升至100%，为不同测试件提供了快速校准的实用方法。
(5) 所提方法在基于NI cRIO的实时平台上实现，并在全尺寸压气机试验台上对两种不同构型的十级轴流高压压气机进行了验证，覆盖45%至98%宽转速范围。与行业标准参考设备的对比测试表明，预警提前时间为41到99毫秒，同时在参考设备无法检测的低速条件（相对转速45%和55%）下有效捕捉到喘振。
