航空发动机健康监控的物理引导与数据驱动人工智能框架

《Machine Learning with Applications》：Physics-guided and data-driven Artificial Intelligence framework for aeroengine health monitoring

　　

可靠的航空发动机健康监控对于有效的预测性维护和早期故障定位至关重要。研究人员提出了一种混合人工智能框架，将无监督异常检测与有监督的部件级故障分类相集成。首先采用长短期记忆（LSTM）自编码器学习正常的多变量发动机行为。此外，引入自编码器的物理引导变体，以融入热力学驱动的残差特征并降低运行工况可变性的影响。随后，检测到的异常信息由多标签双向长短期记忆（BiLSTM）分类器处理，以识别五大发动机部件上的同时退化。该框架使用N-CMAPSS数据集中九台涡扇发动机在真实飞行条件下的退化轨迹进行评估。在各评估数据集上，物理引导自编码器的均方根误差（RMSE）为0.0946至0.1100，R2为0.9963至0.9976，优于纯数据驱动模型（RMSE为0.1268至0.1500，R2为0.9918至0.9941）。BiLSTM分类器在各数据集上的准确率（accuracy）为0.9448至0.9818，召回率（recall）为0.9321至0.9836。结果表明，将物理引导异常表示与双向时间学习相结合可改善重构性能，支持可靠的部件级故障定位，并为基于状态的航空发动机维护提供鲁棒框架。

研究背景方面，航空发动机易受多种失效影响，威胁飞行安全并增加运维成本。传统基于周期巡检、静态规则或详尽可能理模型的维护策略难以捕捉渐变性故障，且依赖大量系统知识。现有基于人工智能（AI）的方法虽能从多变量传感器时序中学习任务，但无监督异常检测与有监督故障分类多被独立研究，少有统一框架贯通“早期异常—部件级定位”。同时，物理引导学习在航空发动机领域常限于传感器诊断或参数预测，未能与序列异常检测及多标签分类深度融合。为此，研究人员在《Machine Learning with Applications》发表该研究，提出两阶段混合框架，先以物理引导无监督检测异常，再以有监督多标签定位风扇、低压压气机（LPC）、高压压气机（HPC）、高压涡轮（HPT）、低压涡轮（LPT）五大部件的单独及交互退化。

关键技术方法上，研究采用NASA N-CMAPSS数据集，选取九台涡扇发动机退化轨迹，取燃油流量W_f、风扇转速N_f、核心转速N_c、各截面总温总压等传感器量及高度alt、马赫数Mach、油门角TRA、进口总温T2等工况量；对训练集做z-score标准化，按75%/10%/15%分训练/验证/测试，滑窗长100采样、步长10生成样本防泄漏；第一阶段用LSTM自编码器（AE）学正常行为，重构误差作异常分数，物理引导变体引入热力学动机残差特征抑制工况干扰；第二阶段用BiLSTM多标签分类器接收窗口输入，输出五部件故障概率。

研究结果部分，引言指出传统维护不足与AI任务割裂现状，明确框架动机。第2节相关工作中，2.1无监督异常检测综述表明LSTM-AE类方法缺部件定位；2.2有监督故障分类指出BiLSTM宜捕双向时序但既有研究多设互斥类、忽略同时退化；2.3物理引导监控述评显示既有物理引导神经网络（PGNN）未联动检测与多标签定位；表1对比凸显本研究统一检测—定位优势。第3节方法论中，3.1数据集说明N-CMAPSS含八子集、七飞行阶段、1 Hz采样及DS01–DS08a退化模式分布；3.2数据准备给出z-score公式z_i,j=(x_i,j?μ_j)/σ_j与滑窗策略；3.3无监督模型界定LSTM-AE编码器—潜空间—解码器结构与均方误差（MSE）损失；物理引导AE将热力学残差拼入输入/潜空间。第4节实验结果显示，物理引导AE在九台发动机上RMSE 0.0946–0.1100、R² 0.9963–0.9976，纯数据驱动AE为RMSE 0.1268–0.1500、R² 0.9918–0.9941；BiLSTM分类器准确率0.9448–0.9818、召回率0.9321–0.9836，证实物理引导残差降工况变异、双向时序提定位力。第5节讨论指明框架联通异常与多标签定位、可处交互退化，局限含N-CMAPSS为仿真数据、未比更多物理约束形式；可复现性依赖滑窗与归一设定；适用在于视情维护（CBM）决策支持。第6节结论翻译为：本研究联用物理引导无监督异常检测与有监督多标签BiLSTM定位，于N-CMAPSS九台涡扇发动机证实热力学动机残差提升重构与定位鲁棒性，框架支持单独及交互退化识别，为航空发动机基于状态维护提供统一AI路径，未来可拓至在线边缘部署与更细粒度物理先验。