故障诊断丨复旦大学顶刊：新型创新图结构实现航空发动机故障诊断中的信息融合
在国产商用飞机C919正式投入商业运营的背景下加快发展飞机及其关机部件的运行维护系统至关重要，其中航空发动机是关系到飞机飞行安全、经济性和舒适性的核心机械部件。航空发动机工作在恶劣环境和极端条件下，在其整个使用寿命周期内，其功能不可避免地会退化，从而引起异常、性能退化和失效故障等。开发自主、可靠、高效的健康诊断系统可以诊断和预测故障，降低维护成本，延长使用寿命，对保障航空发动机可靠性和运行安全具有重要意义。传统的基于性能的故障诊断方法通常建立可测量参数与发动机状态之间的映射关系，而没有考虑多模态信息固有的物理约束。如何实现嵌入物理机制的发动机机理模型和数据驱动模型的信息融合成为了下一个需要被解决的关键问题。
复旦大学航空航天系孙刚教授团队提出了一种嵌入物理约束的新型图结构，此种结构可以有效地融合传感器信息和基于物理模型的仿真信息，相关成果以题为“Graph structure embedded with physical constraints-based information fusion network for interpretable fault diagnosis of aero-engine” 发表在能源动力领域国际顶级期刊《Energy》上。
随着人工智能的进一步发展，结合数据驱动和知识驱动的第三代人工智能技术成为了新的重要研究课题。研究人员基于图论的思想提出了一种基于航空发动机多源数据的新型图结构，在有效融合测量信息和机理模型仿真信息的同时，以样本点的概率分布为依据构建样本之间的边关联，从而形成包括节点多维源数据和物理边连接的发动机图结构。
图 基于图结构信息融方法的航空发动机部件级故障架构
一种基于图卷积网络和典型相关分析的自监督表示学习被用于对图结构进行训练，其可以有效地充分利用标记和未标记数据。此外，在训练架构中嵌入了一种鲁棒统计方法，通过识别数据样本的影响来解释模型的行为。最终实现高效和高精度的发动机部件级故障诊断。
图 嵌入物理约束图结构故障诊断训练架构
研究结果表明，与经典的基于模型的方法和通用人工智能方法相比，所提嵌入物理约束图结构可以表征数据之间的关联属性，提高了航空发动机故障诊断模型构建效率和诊断精度。
图 故障诊断准确率的比较
近年来，孙刚教授团队持续开展航空发动机数字孪生及健康诊断技术研究，先后提出了模型/数据驱动的故障诊断及性能衰退、基于多模态深度信息融合的航空发动机数字孪生架构设计等创新方法，围绕数字孪生构建中一直存在的如何高效融合多源数据和多源模型这一核心难点开展工作。本研究是孙刚教授团队在发展航空发动机数字孪生技术的过程中解决的一项关键技术，为实现真正意义上具有高度智能化水平的安全、经济、舒适的先进航空发动机做出贡献。
图 航空发动机数字孪生示意图 复旦大学航空航天系博士生黄宇峰为论文的第一作者，孙刚教授是论文的通讯作者，陶俊老师是论文的合作者。该研究得到了中国航发商用航空发动机有限责任公司、中国商用飞机有限责任公司的支持。
声明: 文章内容来源于复旦大学航空航天系
