跳伞员高速下降过程中前部流场的分析与预测建模研究

《Aerospace》:Research on Analysis and Predictive Modeling of the Frontal Flow Field During Parachutist High-Speed Descent Zimo Chen, Xuesong Xiang, Siyi Ma, Zhongda Wu, Jiawen Yang, Renfu Li, Yichao Li and Zhaojun Xi

【字体: 大 中 小 】 时间:2026年03月06日 来源:Aerospace 2.2

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,其诊断精度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差异、信号特征微弱以及可辨识度低等问题,诊断精度始终受限。为应对这些挑战,研究人员提出

  
航空发动机喘振诊断是发动机健康管理中的关键技术,其诊断精度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差异、信号特征微弱以及可辨识度低等问题,诊断精度始终受限。为应对这些挑战,研究人员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——STFF-CANet(Spatio-Temporal Feature Fusion Cross-Attentional Network)。该模型首先利用卷积神经网络(CNN)从经快速傅里叶变换(FFT)获得的动态信号频域中提取空间特征;同时,采用双向长短期记忆网络(BiLSTM)从经变分模态分解(VMD)优化后的信号中捕获时域特征。进一步引入交叉注意力机制,实现时空特征的深度融合,从而增强对微弱故障特征的识别能力。此外,针对航空发动机喘振的小样本故障数据,采用滑动窗口切片方法扩充样本量,确保切片间信息连续性与特征统计稳定性,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的F1分数、召回率、精确率和准确率分别达到97.96%、97.52%、98.43%和99.01%,满足航空发动机喘振诊断的实际需求,为复杂工业设备的早期故障预警提供了有效解决方案。
**论文解读文章**

**研究背景**
随着航空发动机性能需求提升及工作包线扩展,发动机喘振裕度不足问题日益突出。喘振作为航空发动机的一种不稳定工作状态,表现为沿压气机轴线方向产生的低频、高幅气流振荡现象,可引发发动机部件严重机械振动及热端过热,短时间内造成重大损伤,严重威胁飞行安全。因此,精确的喘振诊断一直是航空发动机健康管理领域的关键难点。现有喘振诊断方法主要分为基于知识的推理方法和数据驱动方法。基于知识的方法依赖专家经验及故障树推理,但随着系统复杂性增加,难以建立精确数学模型且知识获取困难。数据驱动方法,尤其是深度学习,虽在机械故障诊断中取得显著成果,但航空发动机工作条件剧烈变化、任务剖面极其复杂,传感器安装位置和重量受限、测点数量有限,测试信号受多径传播及振动、气动、燃烧等因素干扰,信噪比低,导致传统阈值法易受工况影响,难以实现全工况覆盖。此外,喘振前兆特征微弱,现有研究多基于稳态转速工况,而喘振更易发生于加速过程,动态工况易导致误判,且多数研究依赖于特征明显的信号,对其他形式或微弱特征易造成漏检。因此,亟需一种能够有效提取微弱喘振前兆特征的鲁棒诊断方法。

研究人员针对上述问题,提出了一种基于时空特征融合的喘振诊断模型STFF-CANet,并对其性能进行了系统验证。该研究利用某型航空发动机历史测试数据(涵盖起动、加速、减速、加力及畸变等多种工况),通过滑动窗口切片技术扩充小样本数据,结合FFT与VMD进行信号预处理,提取频域与时频域特征,利用CNN与BiLSTM分别提取空间与时间特征,并通过交叉注意力机制实现深度融合。实验结果表明,该模型在喘振故障分类中的F1分数、召回率、精确率和准确率分别达到97.96%、97.52%、98.43%和99.01%,显著优于CNN、LSTM、BiLSTM及CNN-BiLSTM等基线模型,满足工程应用需求。消融实验进一步验证了滑动窗口数据增强和交叉注意力机制的核心贡献。该研究发表于《Aerospace》,为航空发动机早期喘振诊断提供了有效方案,具有提升飞行安全、支持视情维护及延长寿命的应用前景。

**主要关键技术方法**
研究人员采用以下关键技术方法:(1)滑动窗口切片法:对动态压力时间序列数据(采样率20 kHz)进行固定窗口长度和固定步长的切片,以扩充有限样本量,同时保证切片间信息连续性与特征统计稳态性;数据集来源于1000 kg级涡扇发动机地面台架试验,涵盖起动、加速、减速、加力及进口畸变等多种工况,共约一百万动态压力数据点,经专家根据传感器曲线变化规则标注喘振区间,正常与喘振点比例约为90:10,并按7:2:1划分训练、验证和测试集。(2)快速傅里叶变换(FFT):将时域动态压力信号转换至频域,获取频率成分分布特征,用于后续CNN空间特征提取。(3)变分模态分解(VMD)与优化:采用基于最小包络熵准则的网格搜索自适应确定模态数K(搜索范围3~10)和惩罚参数α(搜索范围100~3000,步长100),对动态压力信号进行VMD分解得到多个本征模态函数(IMF),并选取包络熵最小的最优IMF分量提取均值、方差、峰值、峭度等9个时域统计指标构成初始特征向量。(4)卷积神经网络(CNN):以FFT频域特征矩阵为输入,通过卷积层和池化层提取频域空间特征。(5)双向长短期记忆网络(BiLSTM):以优化VMD分解得到的时频域特征矩阵为输入,利用前向和后向LSTM层共同捕获信号沿时间维度的依赖关系和演化模式。(6)交叉注意力机制:以频域空间特征为查询(Query),以时域特征为键(Key)和值(Value),通过缩放点积注意力计算注意力权重,实现时空特征的深度交互与自适应融合,最终经全连接层和Softmax层输出诊断分类结果。

**研究结果**

**2. 喘振特征分析**
- **2.1 基于FFT的航空发动机喘振信号分析**:对某型航空发动机畸变测试数据中的动态压力信号进行FFT频谱分析。在非喘振与喘振条件下分别提取1秒时间段的频谱。结果显示,在高频分量(3000–8000 Hz)附近两者幅值几乎相同,但喘振条件下低频分量(100–500 Hz)幅值显著增大(独立样本t检验,p < 0.01)。这表明低频分量幅值变化可作为喘振诊断的特征,但仅依赖幅值难以设定合适阈值。
- **2.2 基于优化VMD的航空发动机喘振信号分析**:采用变分模态分解(VMD)对动态压力信号进行自适应分解。VMD的性能高度依赖模态数K和惩罚参数α。本研究引入基于最小包络熵准则的网格搜索优化策略,自动确定最优参数组合[K*, α*]。在优化参数下对喘振与非喘振状态信号进行VMD分解,并依据最小包络熵准则选取最具代表性(最稀疏、最规则)的IMF分量,从中提取9个时域统计指标构成特征向量。然而,仅依赖VMD分解和单一维度特征不足以稳定区分喘振与正常状态,因此进一步构建基于时空特征融合的深度学习诊断模型。

**3. 方法**
- **3.1 数据预处理**:针对喘振数据获取困难、实验成本高及小样本问题,采用滑动窗口切片方法对时间序列数据进行处理。窗口大小对应单个训练样本的时间步长,固定步长滑动生成重叠子窗口,以扩充样本量并保证信息连续性和特征统计稳定性。原始数据集经专家标注后按7:2:1划分为训练、验证和测试集。
- **3.2 特征提取**:
- **空间特征提取(CNN)**:对FFT获得的频域特征矩阵,通过CNN的卷积和池化操作提取不同频率分量下的局部模式和空间特征,输出频域空间特征表示FFFT。
- **时间特征提取(BiLSTM)**:对VMD分解得到的时频域特征矩阵,输入BiLSTM。BiLSTM由前向和后向两个LSTM层组成,同时利用过去和未来上下文信息,充分捕获信号沿时间维度的长期依赖和演化模式,输出更具代表性的时域特征表示FVMD。
- **3.3 时空特征融合**:
- 将频域空间特征FFFT作为查询(Q),时域特征FVMD作为键(K)和值(V),通过线性变换映射至相同维度空间后,计算缩放点积注意力得分,经Softmax得到注意力权重,再对值矩阵加权求和得到融合特征F。该融合特征包含了时空特征的深度交互信息,可更精确识别易被忽视的微弱故障特征。
- 融合特征F经过全连接层变换和Softmax层映射,输出最终分类诊断结果。

**4. 结果与讨论**
- **4.1 实验数据**:数据集来源于1000 kg级涡扇发动机地面台架试验,涵盖起动、加速、减速、加力及进口畸变等多种场景,共约一百万动态压力数据点。
- **4.2 评估指标**:采用精确率(Precision)、召回率(Recall)、F1分数和准确率(Accuracy)四个指标评估模型性能,基于真阳性(TP)、假阴性(FN)、假阳性(FP)、真阴性(TN)计算。
- **4.3 喘振诊断结果**:将所提STFF-CANet与CNN、LSTM、BiLSTM及CNN-BiLSTM四种基线模型在相同数据集上进行比较。每个模型训练50个epoch,在测试集上测试20次取平均值。结果显示,STFF-CANet的F1分数、召回率、精确率和准确率分别达到97.96%、97.52%、98.43%和99.01%,均优于其他模型。所有模型中精确率均高于85%,验证了数据预处理方法的有效性。模型对多种工况表现鲁棒。
- **4.4 消融研究**:设计两个变体——变体A(无滑动窗口)和变体B(无交叉注意力,改用简单拼接)。消融结果(表2)显示:变体A的F1分数、召回率、精确率和准确率分别为91.01%、90.87%、89.20%和87.55%;变体B分别为90.88%、89.40%、87.38%和88.52%。与完整模型相比,两个变体性能均显著下降,定量验证了滑动窗口数据增强和交叉注意力机制的必要性与贡献。
- **4.5 模型可行性与实际部署讨论**:在高性能多核CPU上对单个数据段(滑动窗口长度)进行推理测试,平均推理时间约15毫秒,主要延迟来自BiLSTM层和注意力机制的顺序操作。虽结果有前景,但受限于当前研究条件,下一步需在嵌入式航空系统上进行部署测试,可能需进一步轻量化模型。模型在可用测试数据上表现出高诊断精度,但其在整个发动机寿命周期内的持续精度需进一步研究。

**总结讨论部分**
消融实验证实,滑动窗口数据增强和交叉注意力机制是STFF-CANet模型的核心贡献模块:前者通过扩充样本量和提供丰富的序列上下文,有助于学习瞬态喘振特性;后者通过自适应深度交互实现优于简单拼接的时空特征融合策略。模型在现有测试数据上具有高诊断精度,但其在发动机全生命周期内的持续精度仍需进一步验证,后续研究将收集更全面的生命周期数据并开发鲁棒的在线适应方法。所选基线模型代表了处理时空特征的典型深度学习方法,而STFF-CANet通过针对性的交叉注意力融合FFT与优化VMD提取的互补时空特征,为从有限高维传感器数据中提取微弱喘振前兆提供了精简有效方案。未来工作将收集更大规模数据集以进行与更先进架构的公平比较,并探索可能融合其优势的混合模型。

**研究结论部分翻译**
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在时间序列建模方面的优势,能够更全面地表征故障状态。创新性地引入交叉注意力机制替代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,使模型能够聚焦于不同特征中的关键信息,有效解决了小样本条件下微弱和早期喘振特征难以准确识别与诊断的问题。通过滑动窗口切片技术,在扩充样本量的同时增强数据连续性并确保特征统计稳定性。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,该模型在故障分类任务中的F1分数、召回率、精确率和准确率分别达到97.96%、97.52%、98.43%和99.01%。多项指标的综合验证确认了模型的有效性和实用性。针对航空发动机中故障数据稀缺和喘振指示微弱两个核心挑战,本研究提出了滑动窗口数据增强和基于深度融合的微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,并展现出优越的整体性能。它为航空发动机早期智能故障诊断提供了一种可行途径,在提升飞行安全、支持视情维护及延长使用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