面向气路故障的多源数据驱动航空发动机剩余寿命智能预测方法研究

This project focuses on the urgent engineering requirements of high reliability, high safety and convenient maintenance of aircraft engine. Driven by the scientific problem of intelligent diagnosis technology and big data fusion method for aircraft engine faults, this project aims to make prediction of aircraft engine remaining useful life based on the multi-source data fusion and intelligent prediction methods. Considering the characteristics of source variety, correlation nonlinearity and significant importance degree difference of performance monitoring data, this project explores the optimal weighted nonlinear data fusion method of multi-source performance monitoring data. In order to solve the problems including over-fitting caused by high network complexity and result uncertainties caused by prediction, this project takes research on deep neural network modeling method with accurate prediction of confidence interval. Lack of samples of measured full life cycle data will train the prediction model poorly, resulting in low prediction accuracy, which motivates this project to study transfer learning mechanism for deep neural networks via health status features of aircraft engine. Finally, this project should achieve accurate prediction of remaining useful life of aircraft engine with gas-path fault, which supports decision making for aircraft engine maintenance management and will be used in engineering applications. Considering the requirement of national strategies and aiming at the frontier fields, the research is of vital significance for academic research and of great importance for engineering application.

本项目瞄准航空发动机高可靠、高安全、易维修的迫切工程需求，在“面向航空发动机故障的人工智能诊断技术与大数据信息融合方法”科学问题驱动下，旨在实现基于多源信息融合与智能预测的发动机剩余寿命预估。针对性能监测数据具有多源、关联关系非线性与重要度差异性等特点，探究多源性能监测数据非线性最优加权融合机制，实现发动机健康状态特征最优提取；针对现有退化趋势建模方法中网络复杂度过高容易过拟合、预测没有考虑不确定性等问题，研究具有置信区间高精度预测能力的深度神经网络模型构建方法；针对发动机全寿命周期实测数据样本量较少导致模型训练不充分，预测精度低的问题，探究发动机健康状态特征驱动的深度神经网络模型迁移学习机制，最终实现面向气路故障发动机剩余寿命的准确预测，为发动机维修管理提供决策依据，取得工程应用效果。研究工作面向国家战略需求和学科发展前沿，理论、方法和应用研究并重，具有重要的学术研究意义和工程应用价值。

航空发动机作为飞机的动力装备，是现代飞机的“心脏”，其结构复杂、运行环境极端恶劣，在长时间运行中易发生性能退化，威胁飞机的可靠性与安全性。本项目针对航空发动机实测数据样本少（同型号全寿命周期数据不足）、多源监测数据（压力、温度、转速等）强非平稳性、退化过程呈强非线性等难题，对发动机多源性能监测数据最优融合及退化特征提取方法、极端工况下发动机小样本监测数据增强与健康状态智能识别方法、复杂退化过程发动机剩余寿命智能预测模型开展了研究。基于GasTurb建立了大涵道比涡扇发动机故障仿真模型，并通过层次约减性能监测数据长历程演化趋势分析，获取了航空发动机退化过程多源监测数据；基于Weighted-LVAE模型构建了多层堆栈对数变分自编码器，提出了可信赖性和连续性指标融合信息完整度表征函数以定量评价指定融合维度下信息的完整度，实现了保证信息完整性和冗余性的最优数据融合；提出了小样本下基于有监督数据扩增正则化的设备异常状态数据增强方法，构建了基于混合属性条件对抗去噪自编码器多状态监测数据增强模型，实现了发动机缺失异常状态数据补全；揭示了层再生网络航空发动机健康状态智能识别机理，构建了先验知识增强的自监督特征学习框架与小样本下双深度强化学习模型，显著提升了数据缺失条件下发动机异常状态识别准确度；针对发动机差异多阶段退化路径，阐明了以DAE-GRU为基本框架的自适应加权退化模式识别机制，基于MDMP算法与时间流Transformer模型提出了跨工况运行发动机剩余使用寿命预测方法，通过参数迁移迁移学习机制实现了复杂退化过程下多工况运行航空发动机跨设备剩余寿命高精度预测。经过实验室数据初步验证，所提出方法能够实现气路故障下航空发动机剩余使用寿命高可信智能预测，为发动机维修管理提供决策依据，提高航空发动机可靠性与智能化水平。