基于时空特征融合的STFF-CANet航空发动机喘振诊断模型

《Aerospace》:STFF-CANet Diagnosis Model of Aero-Engine Surge Based on Spatio-Temporal Feature Fusion Chunyan Hu, Yafeng Shen, Qingwen Zeng, Gang Xu, Jiaxian Sun and Keqiang Miao

【字体: 大 中 小 】 时间:2026年03月06日 来源:Aerospace 2.5

编辑推荐:

  航空发动机喘振诊断是发动机健康管理中的关键技术,其诊断准确性对保障运行安全具有重要意义。传统的基于阈值的诊断方法受工况影响显著,难以实现全工况覆盖。此外,由于不同工况下特征阈值变化、信号特征微弱以及可辨识性低等问题,诊断精度仍然有限。为应对这些挑战,本文提出了

  
航空发动机喘振诊断是发动机健康管理中的关键技术,其诊断准确性对保障运行安全具有重要意义。传统的基于阈值的诊断方法受工况影响显著,难以实现全工况覆盖。此外,由于不同工况下特征阈值变化、信号特征微弱以及可辨识性低等问题,诊断精度仍然有限。为应对这些挑战,本文提出了一种基于时空特征融合的STFF-CANet(Spatio-Temporal Feature Fusion Cross-Attentional Network)航空发动机喘振诊断模型。该模型首先采用卷积神经网络(CNN)通过快速傅里叶变换(FFT)从动态信号的频域中提取空间特征。同时,利用双向长短期记忆网络(BiLSTM)从经变分模态分解(VMD)优化的信号中捕获时间特征。进一步引入交叉注意力机制实现时空特征的深度融合,从而增强识别微弱故障特征的能力。此外,采用滑动窗口切片方法扩充航空发动机喘振小样本故障数据的样本量,既保证了切片间的信息连续性,又确保了特征的统计稳定性,有效缓解了小样本条件下早期微弱喘振特征的诊断困难。实验结果表明,该模型在喘振故障分类中F1-score、Recall、Precision和Accuracy分别达到97.96%、97.52%、98.43%和99.01%。这些结果满足航空发动机喘振诊断的实际需求,并为复杂工业设备的早期故障预警提供了有效解决方案。
航空发动机喘振是一种沿压气机轴线传播的低频、高幅气流振荡现象,可在短时间内引发机械部件剧烈振动和热端超温,严重威胁飞行安全。传统基于阈值的诊断方法受工况变化影响显著,难以覆盖全工况;同时,由于不同工况下特征阈值不一致、故障信号微弱且可辨识性低,诊断精度受限。此外,喘振数据获取困难、实验成本高,导致小样本问题突出。为此,研究人员提出了基于时空特征融合的STFF-CANet诊断模型,旨在通过深度融合频域空间特征与时域时间特征,增强对微弱喘振前兆的识别能力,为发动机健康管理提供可靠方案。该研究发表在《Aerospace》。

研究人员采用了以下关键技术方法:(1) 滑动窗口切片法,对来自1000 kg级涡扇发动机地面试车数据(涵盖起动、加速、减速、推力增加和进气畸变等工况)进行小样本增强,保持切片间信息连续性与特征统计平稳性;(2) 快速傅里叶变换(FFT)将动态压力信号转换至频域,输入卷积神经网络(CNN)提取空间特征;(3) 变分模态分解(VMD)优化信号分解,结合最小包络熵准则自适应确定模态数K和惩罚参数α,提取时频域特征,再输入双向长短期记忆网络(BiLSTM)提取时间特征;(4) 交叉注意力机制实现空间特征与时间特征的深度交互融合,最后经全连接层和Softmax层输出诊断结果。

研究结果分为以下部分:

**4.1 实验数据**:采用某型涡扇发动机约100万点动态压力数据,涵盖多场景工况,按7:2:1划分为训练集、验证集和测试集,用于模型训练与评估。

**4.2 评价指标**:使用精确率(Precision)、召回率(Recall)、F1-score和准确率(Accuracy)四个指标评估模型性能,定义了真阳性(TP)、假阴性(FN)、假阳性(FP)和真阴性(TN)用于计算。

**4.3 喘振诊断结果**:将STFF-CANet与CNN、LSTM、BiLSTM及CNN-BiLSTM模型对比,在测试集上经过20次测试取平均。结果表明,STFF-CANet的F1-score、Recall、Precision和Accuracy分别达到97.96%、97.52%、98.43%和99.01%,均优于基准模型,验证了模型对不同工况下喘振特征的鲁棒性。

**4.4 消融实验**:设计了两个变体——变体A(无滑动窗口数据增强)和变体B(无交叉注意力,改用简单拼接)。变体A的Accuracy降至87.55%,变体B的Accuracy为88.52%,均低于完整模型的99.01%,证实了滑动窗口和交叉注意力模块的必要性。

**讨论部分**:研究人员对模型的实际部署可行性进行了初步评估。在高端多核CPU上,单个数据段(按滑动窗口长度)的平均推理时间约为15毫秒,主要耗时来自BiLSTM和注意力机制。下一步计划在嵌入式航电系统上进行部署和测试,可能需要对模型进行轻量化处理。此外,当前模型在可用测试数据上表现了高诊断精度,但其在发动机全寿命周期内的持续准确性需要进一步收集更多生命周期数据并开发鲁棒的在线自适应方法。由于所选基准模型(CNN、LSTM、BiLSTM、CNN-BiLSTM)代表了故障诊断中处理时空特征的标准深度学习方法,而STFF-CANet通过针对性的交叉注意力融合来自FFT和优化VMD的互补时空特征,为从有限高维传感器数据中提取微弱喘振前兆提供了一种简洁有效的方案。未来工作将聚焦于收集更广泛的数据集,并与更先进的架构进行公平比较,同时探索融合其优点的混合模型。

**结论部分**:本研究提出了一种基于时空特征融合的航空发动机喘振诊断模型。该模型集成了CNN在空间特征提取和BiLSTM在时序建模方面的优势,实现了更全面的故障状态表征。创新的交叉注意力机制取代了传统的拼接或求和操作,实现了时空特征的自适应深度融合,使模型能够关注不同特征中的关键信息,有效解决了小样本条件下微弱、早期喘振特征难以准确识别和诊断的难题。通过滑动窗口切片技术,在扩充样本量的同时增强了数据连续性并保证了特征统计稳定性。基于发动机数据的验证结果表明,该模型能够可靠地识别喘振故障。实验数据显示,模型在故障分类任务中F1-score、Recall、Precision和Accuracy分别达到97.96%、97.52%、98.43%和99.01%。多指标综合验证确认了模型的有效性和实用性。针对航空发动机故障数据稀缺和喘振指示微弱两大核心挑战,本研究提出了基于滑动窗口的数据增强和基于深度融合的弱特征识别作为有效解决方案。通过充分利用信号的时空特性,该方法显著增强了对微弱故障特征的感知能力,展现出优越的综合性能,为航空发动机早期智能故障诊断提供了一条可行途径,在提升飞行安全、支持视情维护和延长服役寿命方面具有广阔的应用前景。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号