在发动机运行过程中,航空发动机会受到各种外部和内部因素的影响,如高温、高压和振动,这些因素可能导致发动机故障或性能退化(Ayoubi, 1998; Wang and Zhao, 2023)。航空发动机的健康状况直接关系到飞行安全。值得注意的是,由空气路径组件退化引起的故障占所有发动机故障的90%以上,而其维护成本占总支出的60%以上(Zhao and Chen, 2022)。持续的发动机状态监测对于及时发现和定位故障至关重要(Hanachi et al., 2018; Entezami et al., 2022)。
随着基于模型的方法在航空发动机监测中的日益应用,模型的可解释性已成为一个关键问题(Liu and Huang, 2024; Ren et al., 2023)。提高模型误差的可解释性对于有效区分由模型限制引起的差异和真正反映发动机退化的差异至关重要(Xu et al., 2020; Yang et al., 2025)。实现这种区分能够更准确、更可靠地评估发动机的健康状况,从而提高安全性和可靠性,并促进更高效、更经济的维护策略。
最近在科学机器学习领域的进展强调了在神经网络模型中整合领域知识和提高可解释性的重要性,以应对这些挑战。例如,提出了基于流形学习的聚类和概率异常检测方法,以提高结构健康监测中对环境和运行变化的异常检测的鲁棒性(Entezami et al., 2025)。同样,物理信息神经网络将物理定律纳入模型训练中,从而提高了科学和工程应用中的可解释性和可靠性(Cai et al., 2021)。此外,还开发了使用可学习激活函数的方法,如Kolmogorov–Arnold网络,以提高神经网络在科学背景下的可解释性和灵活性(Liu et al., 2025)。
尽管在一般科学和土木工程应用中取得了显著进展,但在旋转机械,特别是复杂的航空发动机中部署这些技术仍面临独特挑战。两个主要障碍是:(1)缺乏真实、高质量和全面的航空发动机运行数据(Wei et al., 2021);(2)其运行条件的显著非线性和复杂性(Cheng et al., 2025)。
第一个障碍主要是由于发动机测试的成本高昂以及运行数据的专有性或保密性,这限制了在不同健康状态下真实飞行数据的可用性。因此,大多数研究依赖于模拟数据集,这些数据集无法捕捉到实际发动机运行的全部复杂性和不确定性(Dai and Gao, 2013; Hubauer et al., 2012; Zaccaria et al., 2021; Mantelli et al., 2021),从而限制了先进健康监测模型的验证、泛化和实际应用。
第二个障碍源于航空发动机系统固有的显著非线性和高复杂性。与传统旋转机械不同,航空发动机在温度、压力和负载的频繁快速变化下运行,导致数据流高度非平稳和噪声较大。尽管在基于模型的健康监测方面取得了数十年的进展,包括早期的非线性气体路径分析(Escher, 1995)和抗噪声参数优化(Zedda and Singh, 2002; Hu et al., 2021),以及卡尔曼滤波器(Gao and Wang, 2012; Zhang and Huang, 2008)的广泛采用,深度学习(Martínez-García et al., 2019)和最新的混合方法(Jin et al., 2021; Cheng et al., 2023),但仍存在一个根本性限制。这些方法往往难以可靠地区分真正的发动机退化和正常的运行变化,尤其是在数据有限或模糊的情况下。
随着航空发动机架构变得越来越复杂和适应性强,这一挑战变得越来越突出。因此,在复杂和多变的运行条件下,提高诊断模型准确区分由模型限制引起的差异和真正表明潜在故障的差异的能力仍然是该领域一个关键且未解决的问题。
本文旨在通过减少建模误差来建立一种可解释的模型,以提高航空发动机健康监测的有效性。主要贡献总结如下:(1)IDNN方法可以有效减少模型误差。准确的模型能够更精确地评估航空发动机的健康状况和剩余寿命,从而更准确地检测和诊断发动机中的故障和异常。(2)使用真实飞行数据调整转换系数。分析了影响这些系数的特征,解决了传统转换系数不准确的问题。(3)通过IDNN方法,健康监测系统的输出可以变得更加可靠和可解释。这有助于工程师和维护人员理解模型的预测,并支持故障诊断。
本文的结构如下。第2节回顾了与基于模型的健康监测相关的理论背景。第3节介绍了数据来源、网络架构和建模过程。第4节提出了所提出方法的验证和分析,包括敏感性分析和比较结果。最后,第5节总结了主要结论。