Aero-engine RUL Prediction Method Based on Deep Equilibrium Network with Degradation Alignment and Domain Adaptation
本文提出了一种新型航空发动机剩余寿命预测方法 DAI-DEQ，该方法通过整合退化对齐、深度平衡网络和领域自适应，有效解决了领域分布偏移、梯度消失及泛化问题，在域内和跨域场景下均实现了卓越的准确性与稳定性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
航空发动机是现代航空业跳动的心脏，它们在极端热量、压力和速度下运行，不断挑战着材料的极限。随着时间的推移，这些机器内部的金属部件会发生磨损，这是一个缓慢且不可避免的退化过程，如果任其发展，可能会导致灾难性的故障。为了防止这种情况，工程师们依赖于一种被称为“故障预测与健康管理”的技术，旨在精确预测一个部件在需要更换前还剩下多少剩余使用寿命（RUL）。这种预测让航空公司能够从僵化的定期维护转向仅在引擎真正需要时进行维修。这种转变既节省了资金又提高了安全性，但它需要一种能够从海量传感器数据流中读出细微磨损迹象的模型，即使是在引擎穿梭于不同天气模式或改变高度的情况下也是如此。
计算机科学面临的挑战在于，发动机的表现并不总是相同的。即使内部磨损程度完全一致，在起飞时全功率运转的发动机产生的传感器读数，也与在高空巡航时的发动机截然不同。这种差异造成了“领域偏移”（domain shift），即一个在一种条件下训练出的计算机模型，在面对另一组条件测试时表现得极其糟糕。此外，用于进行此类预测的深度学习网络通常难以处理极长的序列数据，随着信息在系统中传递得越来越深，它们会失去学习重要模式的能力。来自火箭军工程大学的研究团队开发了一种新方法来解决这些特定问题，创建了一个既能从一组发动机工况中学习知识并将其应用到另一组工况，又能识别自身预测不确定性的系统。
研究人员围绕“深度平衡网络”（deep equilibrium network）的概念构建了他们的解决方案。传统的计算机模型像堆叠纸张一样逐层处理信息，而这个新系统则将数据视为一个趋于稳定状态的连续循环。这种方法防止了模型在处理更深层数据时失去对数据的掌控，使其能够分析长期的发动机性能历史，而不会出现内存耗尽或计算错误。为了让这个系统变得更加聪明，团队引入了一个名为“退化对齐指示器”（degradation alignment indicator）的特定引导机制。可以将这个指示器想象成一个过滤器，帮助计算机区分发动机正常的、充满噪声的波动与真实的、稳定的实际磨损信号。通过将这一引导直接嵌入网络，模型学会了只关注真正重要的传感器变化，从而忽略那些经常使其他系统产生困惑的无关噪声。
为了应对飞行条件的改变，团队加入了一种机制，迫使模型识别出不受环境影响的核心磨损模式。他们使用了一种技术，让模型在面对来自简单、稳定飞行的数据还是复杂、多变飞行的数据时感到“困惑”。这迫使模型剥离掉特定的飞行细节，转而专注于通用的发动机老化迹象。这一过程被称为“领域自适应”（domain adaptation），它允许系统从一个干净、简单的训练集中学到知识，并将其应用于复杂、混乱的现实场景。研究人员在包含代表各种运行条件的四个不同子集的标准模拟发动机失效数据集上进行了测试。在模型预测与训练条件相同的发动机寿命的测试中，它实现了极高的准确度，且在所有测试组中的预测误差都保持在极低水平。
然而，最重要的测试是在“跨领域场景”下进行的，即模型必须仅利用来自简单、稳定环境的数据，来预测复杂、多变环境下发动机的寿命。在这些困难的迁移任务中，新方法展现出了显著的改进。当从简单源域向复杂目标域迁移时，预测误差比没有添加自适应特征的模型降低了 74% 以上。这意味着该系统成功学会了忽略新环境中令人困惑的变量，并专注于真正的退化迹象。不过，研究人员也发现了一个局限性：如果模型试图从一个复杂、多噪的源域学习并将其应用到简单、干净的目标域，性能反而会下降。这是因为模型错误地将复杂源域中的噪声和混乱转移到了简单的目标域中，这证明了这种自适应在“由简入繁”时效果最佳，但反之则不然。
除了做出预测之外，该系统还能提供一个置信度衡量。通过使用轻微的变化进行多次重复预测，模型可以计算出其答案可能存在的偏差，从而让工程师了解该估计值的可靠程度。这种“不确定性量化”（uncertainty quantification）对于现实世界的安全性至关重要，因为它不仅告诉维护人员发动机何时可能失效，还告诉他们计算机对该时间线的把握程度。研究证实，将稳定的网络结构、用于识别真实磨损的智能引导以及适应新环境的方法相结合，创造了一个强大的发动机健康监测工具。虽然该方法并非在所有场景下都完美无缺（特别是在源数据过于混乱时），但它代表了在使预测性维护更精确、更适应复杂航空现实方面迈出的重要一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。