《Aerospace》:Transferability-Guided Residual Attention Domain Adaptation for Unsupervised Cross-Condition Aero-Engine Gas-Path Fault Diagnosis
编辑推荐:
跨工况航空发动机气路故障诊断仍具挑战性,因为气路参数表现出异质可迁移性,隐层特征分布随运行工况发生显著偏移,且无标签目标域的类别结构往往不稳定。为解决这些问题,本研究提出一种可迁移性引导的残差注意力域自适应网络(Transferability-Guided R
跨工况航空发动机气路故障诊断仍具挑战性,因为气路参数表现出异质可迁移性,隐层特征分布随运行工况发生显著偏移,且无标签目标域的类别结构往往不稳定。为解决这些问题,本研究提出一种可迁移性引导的残差注意力域自适应网络(Transferability-Guided Residual Attention Domain Adaptation Network, TG-RADAN),用于无监督跨工况航空发动机气路故障诊断。首先,通过联合考虑源域故障判别性与跨域分布稳定性构建可迁移性指数(Transferability Index, TI)。基于TI,引入可学习特征门控机制,自适应地重新加权气路参数并抑制对运行工况敏感的特征。其次,开发了具有域特定批归一化(domain-specific batch normalization)的残差注意力编码器,以增强故障判别性表示,同时缓解域间隐层统计差异。第三,联合采用条件对抗域自适应、高置信伪标签原型对齐和目标熵最小化,以改进类条件对齐并保持目标域结构。在12个跨工况迁移任务上的实验表明,TG-RADAN在两组迁移任务上分别达到94.43%和94.41%的平均准确率,优于传统CDAN基线11.94%和12.91%。消融结果表明,完整模型相较于不含TI引导门控的模型分别提高了2.69%和3.20%。这些发现表明,TG-RADAN能够有效提高无监督跨工况航空发动机气路故障诊断的可迁移性、鲁棒性和可解释性。
航空发动机是飞机核心动力源,其气路部件在高温高压重载工况下易发生性能退化和故障。准确可靠的气路故障诊断对飞行安全至关重要。数据驱动方法虽能自动提取故障相关信息,但传统监督学习假定训练与测试数据同分布,在跨工况场景下因飞行高度和马赫数变化导致的数据分布偏移而性能严重下降。无监督域自适应(UDA)可利用有标签源域和无标签目标域数据减小分布差异,但现有方法仍面临三个关键问题:气路参数具有异质可迁移性,不同变量对故障退化和工况扰动的敏感度不同;隐层特征统计量随工况显著变化,共享归一化易引入源域偏差;仅靠对抗对齐无法保证目标域类别结构稳定,易产生类混淆和预测不确定性。为此,研究人员提出了可迁移性引导的残差注意力域自适应网络(TG-RADAN),以实现无监督跨工况航空发动机气路故障诊断。
研究中,TG-RADAN首先构建可迁移性指数(TI),联合考虑源域故障判别性和跨域分布稳定性,并基于TI引入可学习特征门控机制,自适应重加权气路参数,抑制工况敏感特征。其次,构建结合残差注意力和域特定批归一化(DSBN)的工况感知编码器,增强故障判别性表示并缓解隐层统计差异。最后,联合条件对抗域自适应(CDAN)、高置信伪标签原型对齐和目标熵最小化,改善类条件对齐并保持目标域结构。实验采用某军用涡扇发动机非线性部件级气动热力学模型生成数据,涵盖四种工况(A–D)、15个气路参数和9种诊断状态(正常、4种单故障、4种复合故障),构建12个跨工况迁移任务。结果表明,TG-RADAN在两组迁移任务上平均准确率分别达94.43%和94.41%,较CDAN基线提高11.94%和12.91%;消融实验显示TI引导门控贡献2.69%和3.20%的精度提升。
**对比实验**:与MLP、TCA、JDA、DANN、CDAN等基线比较,TG-RADAN在所有12个任务上均取得最优精度。传统监督MLP平均仅31.82%和31.71%,TCA和JDA分别提升至53.59%/53.39%和55.50%/55.19%,DANN和CDAN进一步改善,而TG-RADAN在提升精度的同时标准差更低,证明其跨工况诊断优越性和稳定性。
**消融研究**:通过逐步添加模块的8个变体(B0–B7)验证各组件贡献。基线B0平均精度45.61%/45.18%;加入CDAN后B1显著提升至87.06%/86.30%;引入DSBN后B2再提升2.12%/2.03%;分别加入原型对齐(B3)和熵最小化(B4)均有增益,两者结合(B5)达91.74%/91.21%;静态TI加权(B6)进一步提升,证明特征可迁移性非均匀;完整模型B7采用TI引导可学习门控达到最高94.43%/94.41%。混淆矩阵显示B7最有效抑制类2/3、类1/9、类6/7等混淆。
**参数敏感性分析**:控制变量法考察对抗损失权重λ
adv、原型对齐权重λ
proto、熵最小化权重λ
ent和门控正则权重λ
gate的影响。λ
adv过小无法校正分布偏移,过大削弱类判别结构;λ
proto和λ
ent在适中范围最佳,过强会放大伪标签错误或过早硬化预测;λ
gate需平衡先验与任务驱动自适应,0.06时最优。
**特征可视化与门控机制分析**:T-SNE可视化显示,原始特征存在明显源-目标域偏移和类间重叠。B0仅能形成初步边界,B2减小域差异,B5提升类内紧凑性,完整模型B7实现同一类内源-目标样本高度重叠且类间分离清晰。TI先验与学习门控权重总体强正相关,高权重特征包括高压转子转速、高压压气机出口总压、推力、低压压气机压比和高压压气机压比,这些参数稳定反映部件效率退化和流量变化,可迁移价值高;低权重特征如高低压涡轮出口参数及涡轮压比等对工况敏感,降权后减少负迁移。门控不完全复制TI先验,说明其能根据分类、对抗对齐和结构保持目标动态调整。
**总结讨论**:研究结论部分指出,TG-RADAN将TI引导输入重加权、残差注意力工况感知表示、DSBN、条件对抗对齐、原型对齐和目标熵最小化统一于一个优化框架。TI引导门控通过源域判别性和跨工况分布稳定性评估参数迁移潜力,突出可迁移故障特征并抑制工况敏感变量;DSBN增强深特征提取稳定性;条件对抗、原型对齐和熵最小化联合提升目标域类紧凑性和预测置信度。12个跨工况任务平均准确率94.43%和94.41%,较CDAN提高11.94%和12.91%,消融证明TI引导门控带来2.69%和3.20%提升。从物理工程角度看,诊断输出与转子转速、压力、温度、燃油流量、推力和部件压比等可测参数所反映的部件健康状态相关,通过抑制工况诱导变化并保留故障判别信息,为跨不同高度和马赫数的飞行条件诊断知识迁移提供了潜在工程价值。当前基于仿真数据,未考虑实际传感器噪声、偏差、缺失测量及复杂退化轨迹,未来将在试验台或飞行监测数据上验证,并扩展至多源和连续变工况场景。