航空发动机多时空尺度数据关联分析与深度融合预测方法研究

This research focuses on the basic scientific problems of aero engine big data information fusion and intelligent fault diagnosis. In allusion to the characteristics of information source universality, multi-modality, multi-space-time scale and fewer fault samples ,etc in aero engine health assessment, it covers the matters such as studying the construction of multi-spatio-temporal scale data model for the whole life time of aero-engine, the association analysis and depth mining of multi-source heterogeneous information, the fusion evaluation and intelligent prediction of multi-source information for health status and lifetime. Key technologies such as multi-modal time series data association analysis and depth mining based on depth generation model in unsupervised or semi-supervised scenarios, multi-domain physical model knowledge and multi-source monitoring information fusion in gas path analysis, failure physics and field failure in key component life prediction, and data fusion in operation environment are emphatically broken through. This research highlights the deep fusion of professional physical mechanism model and machine learning method, which makes full use of the professionalism of physical model in explaining specific data and the advantage of machine learning method in fitting multi-modal data, realizes the deep fusion of multi-modal information and reduces the uncertainty of prediction.

课题聚焦航空发动机大数据信息融合与智能故障诊断基础科学问题，针对航空发动机健康评估中具有信息来源的广泛性、多模态、多时空尺度、故障样本少等特点，研究航空发动机全寿命周期多时空尺度数据模型构建、多源异构信息的关联分析与深度挖掘、健康状态与寿命的多源信息融合评估与智能预测等问题，重点突破无监督或半监督场景下基于深度生成模型的多模态时序数据关联分析与深度挖掘、气路分析中多领域物理模型知识与多源监测信息融合、关键件寿命预测中失效物理与外场运维数据融合等关键技术，课题研究突出专业物理机理模型与机器学习方法的深度融合，充分利用物理模型在解释特定数据方面的专业性，同时借助机器学习方法在拟合多模态数据方面的优势，实现多模信息的深度融合，降低预测不确定性。

本课题聚焦航空发动机大数据信息融合与智能故障诊断这一核心科学问题，针对航空发动机健康评估中具有信息来源的广泛性、多模性、多时空尺度、故障样本少等特点，研究了航空发动机全寿命周期多时空尺度数据模型构建、多源异构信息的关联分析与深度挖掘、健康状态与寿命的多源信息融合评估与智能预测建模问题，收集实际的运维数据验证了模型与算法，并将上述模型与算法进行集成，开发了航空发动机全寿命周期视情维修设计与决策支持平台。在多源异构信息的关联分析与深度挖掘方面，提出了多种基于深度学习模型的健康监测算法，实现多模态数据的融合分析，对比了自编码器、变分自编码器、基于长-短时记忆的自编码器和基于长-短时记忆的变分自编码器在飞机、发动机典型系统的健康监测准确性与稳定性，利用航空公司实际数据验证了方法模型，并取得较好的工程应用效果；针对发动机气路部件典型故障，完成了航空发动机点数据异常检测、时间序列异常检测、气路故障识别方法模型研究，并开发了航空发动机基于自动化机器学习的发动机气路状态监测Python包；提出了基于有限数据的航空发动机性能建模方法研究，实现了物理模型与数据融合，提出基于在翼状态监测数据的发动机设计点性能匹配和基于特性图缩放和特性图参数寻优的非设计点性能匹配方法，借助GasTurb搭建了某型民用涡扇发动机的总体性能模型，多源信息融合的发动机气路分析与性能故障监测。截至目前，课题组在本课题支持下，共发表相关论文12篇，其中SCI检索期刊论文8篇，EI检索期刊论文2篇，申请发明专利5项（已授权3项），软件著作权登记2项。其中部分成果在航空公司现役机队应用，获民航局科技进步奖一等奖1项。项目研究过程中注重需求目标导向和成果应用衔接，部分理论方法研究成果在民航现役机队获得应用，同时国产发动机型号应用、关键技术攻关等方面起到重要的支撑作用，促进了课题组与行业单位的产学研深度合作交流，符合重大研究计划总体目标。