航空發動機數據驅動法氣路故障診斷研究進展

夏存江， 詹于游

(中國民用航空飛行學院航空工程學院， 廣漢 618300)

在民航領域，飛行安全是不可忽視的重要環節，而保障飛行安全的重點之一就是對航空發動機故障的避免、維護和預測。在航空發動機故障損耗維護成本中，發動機氣路故障的維修費用占發動機總體維修費用的60%[1-2]。且航空發動機氣路情況復雜，其內部相應氣路參數受工作循環數、內部壓氣機或渦輪磨損、腐蝕和侵蝕以及外來物等因素[3-4]影響，偏離其正常工作狀態從而引起氣路故障、導致發動機性能退化乃至重大事故的發生。所以采用先進、科學和可靠的方法對發動機的氣路故障做出更好的診斷，維護以及預測是業界一直努力的方向。而數據驅動方法則是其中一項重要手段。

現通過綜述數據驅動方法在航空發動機氣路故障診斷的研究現狀和發展趨勢，總結各項技術在氣路故障研究上的適用場景和優缺點，并對未來相關研究的數據預處理化、診斷系統集成化、模塊化和診斷結果的可信度提升的發展趨勢進行討論和梳理。旨在為未來利用數據驅動方法研究相關方向提供系統性的參考，促進航空發動機氣路故障研究。

1 氣路故障信息的獲取

對于故障信息(即發動機氣路故障導致的偏離正常值的參數)的獲取，目前航空公司使用的民用航空飛機數據獲取方式主要有三種。

1.1 傳統模式

傳統的民用航空飛機機載數據來源是根據飛機維修日志和記錄數據，并對相應的數據進行整理和分析，然后結合工程師經驗和飛機故障原理以及特點，對其系統所發生的氣路故障進行診斷和預測[5-6]。但這種方式以相關經驗為基礎，對工程師的排故能力有一定的考驗，且預測的準確性有限，沒有得到廣泛的應用。

1.2 飛機通信尋址和報告系統

飛機通信尋址和報告系統(aircraft communications addressing and reporting system，ACARS)有多種類型，其中飛機運行控制信息則是用來預測故障的主要類型。而現階段已有許多成熟的軟件可用于存儲和分析ACARS數據，并且既可以用來實時監視飛機健康數據，還可以預測一些故障的發生[7]。但實際飛航過程中，用ACARS數據報獲取的故障信息存在數據不連續并且記錄參數不足的缺點，不適用于關于時間序列的故障診斷和預測[8]。

1.3 快速訪問記錄器

快速訪問記錄器(quick access recorder，QAR)提供對飛航階段的原始數據的快速和更方便的獲取和訪問，對于飛行原始數據可使用USB、閃存或直接利用蜂窩數據即可下載。QAR克服了以往飛行數據記錄的缺點，其記載參數豐富翔實、數據連續、易導出易處理，賦予了可利用QAR數據對故障進行分析、診斷和預測的能力[9]。

2 發動機主要的排故和氣路故障診斷方法

2.1 發動機主要的排故方法

在民用航空領域，對待故障有包含事后和定期維修的傳統維修方式和視情維修方式。目前以視情維修的主流維修方式是指“以可靠性為中心”的核心思想的方式。從而衍生出的預測與健康管理技術(prognosties and health management，PHM)，并且有效提高了飛航的安全性、可靠性和經濟性[10-11]。

2.2 發動機主要的氣路故障診斷方法

現階段中國主流的故障診斷方法主要分為傳統診斷方法即基于傳統模型的方法和數據驅動的故障診斷方法。傳統方法主要有線性和非線性模型的故障診斷方法。傳統方法的本質是根據傳統故障經驗以及根據發動機的參數特性[12-13]建立發動機的物理模型，參照實際值和基線值的差值的變化幅度和范圍來判斷是否發生故障，以及具體是什么故障[14]。

但在實際的生產和工程實踐中，利用傳統的方式進行故障診斷和預測，需要精確的物理模型，和真實的基線值。但航空發動機精確的物理模型難以獲得，且真實有效的基線值常常掌握在原始設備制造商(original equipment manufacturer，OEM)手中。所以在民航領域，通過數據驅動的方式對基線值的預測也是一個方向。在民航領域，飛機飛行參數類型復雜，數據量眾多，獲取方式多樣化，在對原始數據進行有效處理后，便可使用數據驅動的方式，來建立相關模型對故障進行診斷和預測[15]。利用數據驅動的方式可以克服傳統方式對精確物理模型的需要，對準確基線值的需要，只需利用公司或工廠獲取的飛行數據并對數據進行合適的處理和清洗即可，且準確度高，有實際應用價值，可以在工業生產和工程實際應用領域，對故障進行診斷或輔助診斷。

雙轉子渦扇發動機常見的氣路故障有風扇、低壓壓氣機、高壓壓氣機、高低渦輪、低壓渦輪故障，其故障并不只是單一故障，有時也伴隨多重故障。但發動機氣路故障總伴隨著具體的參數變化，及其所引起的風扇、壓氣機和渦輪效率的下降、壓氣機增壓比下降和流量下降等[16-17]。所以利用數據驅動的方式，在獲取飛機飛行數據，并對數據進行合理處理過后，通過將參數的實際值輸入數據模型，便可得知是否發生氣路故障以及氣路故障的種類。

2.3 基于數據驅動的方法

在上述基礎上通過民航故障診斷技術的不斷發展，可以得知現階段數據驅動的故障診斷方法主要有聚類、回歸、神經網絡、支持向量機、關聯規則和深度學習等方式，并在這些基本方法基礎上衍生和改進的各種故障診斷方法。

2.3.1 聚類

根據觀測值中特征的相似度或距離，將觀測值歸并到若干個類別。同一類的數據具有相似的屬性或特征，是一種常用的無監督分類算法。其目的是通過算法運算后得到的類別，進而發現同一類別數據的相似性和特點，一般在數據處理中使用。

常用的聚類算法主要有K-means、DBSCAN、聚集聚類、BIRCH、均值漂移、相似性傳播和譜聚類等。但K-means又稱K均值算法，是最常用的聚類算法。具有快速、高效對未標記數據集進行聚類的能力，迭代次數少，只需幾次即可，且可解釋性強[18-20]。一般首先通過繪圖后手動選擇超參數集群數K，然后隨機選取K個中心，每個數據選取距離其最近的中心點為其類別。然后基于每個類別的點計算所有點的向量均值在重新選取中心，并迭代重復以上步驟即可完成對算法的訓練。K-means算法示例如圖1所示。

圖1 K-means算法示例圖Fig.1 K-means algorithm example diagram

K-means算法具有快速可擴展性強的優點，當簇為密集型或成團時，類別預類別之間的區別明顯，效果較好。該算法時間復雜度為O(tKmn)，其中，t為迭代次數，K為簇的數目，m為記錄數，n為維數，與樣本數量線性相關，所以，對于處理大數據集合，該算法非常高效，且伸縮性較好。但同時也存在一定的缺點。主要就是關于集群數K的選取，K的選擇會大大影響分類效果，因為K為超參數，當無法判斷K時則會影響算法性能，且迭代次數足夠才能達到最優解。但經常也以局部最優解結束，同時對“噪聲”和孤立點敏感。另外如果數據集處理不合適[21]，呈現出集群大小，密度不同，形狀不規則非球形時，K-means算法不一定有良好的性能。

在航空發動機故障診斷中，蘇志剛等[22]通過對QAR數據采用改進的K-means聚類算法，對分類的QAR數據的類別屬性進行判斷將異常數據劃分為單獨的類別，以判定是否發生故障。鄒思漢[23]通過采用聚類算法構建故障現象和故障成品的多對多關系，完成屬于同一故障現象的多條故障描述。而楊天林等[24]也使用K-means聚類算法對實際發參數據進行離群點檢測，并對泵調系統故障進行診斷，誤報率為0，為實現發動機泵調系統健康監測自動化提供了有效的技術途徑。 杜力偉等[25]也將聚類算法聚焦于對復雜產品的模塊化，并將其應用高壓壓氣機的產品研發中。

2.3.2 線性回歸或多項式回歸

對基于時間序列的數據擬合直線和曲線，以預測未來的趨勢。常用于關鍵部件的和參數的趨勢，也可用來預測氣路性能的趨勢。主要觀測數據的變化率是否超出的正常的波動范圍。預測出的趨勢直觀，但模型的泛化誤差需要充分考慮方差和偏差之間的平衡。模型復雜度的增加有可能會很好的擬合訓練集，提升了模型的方差并減小了模型的偏差，但有可能導致過擬合。反之，降低模型的復雜度，可以提升模型的偏差降低方差，但有可能導致模型欠擬合。同樣模型正則化方式的選擇也對預測的準確性有相當的影響。但對于趨勢進行快速預測和表達十分有效。

在航空領域，李書明等[26]使用高斯牛頓迭代法對發動機基線做非線性回歸預測，并將成果應用在發動機維修部分。彭云飛[27]利用非線性回歸分析方法建立航空發動機狀態參數的基線模型，用于分析和評估發動機的健康狀態。過超強等[28]對航空發動機的成本管理采用多元線性回歸建立了發動機出廠費用估算模型，且與實際費用進行對比，達到了8%的相對誤差。回歸模型范例如圖2所示。

圖2 多項式回歸范例Fig.2 Examples of polynomial regression

2.3.3 支持向量機

支持向量機(support vector machine，SVM)是常用的機器學習方法，其建立在統計學習和結構風險最小原理的基礎上，適用于線性問題或者利用核技巧處理非線性問題[29-30]。SVM的推廣SVR也適用于回歸問題[31-32]，在面臨多分類問題時，也可以組合多個SVM。

其以最大間隔理論為依據對數據進行分類如圖3所示，可解釋性強，能找出對分類具有重要影響的關鍵數據即支持向量，且對新樣本的計算復雜性只取決于已經訓練完成的支持向量的數量，與樣本的空間維數無關以避免“維數災難”[33]。且由于SVM是一個凸優化問題，所以求得問題解為全局最優而非局部最優。但SVM對特征的縮放非常敏感，所以對數據的歸一化顯得比較重要。且SVM的時間復雜度較高，支持核技巧的訓練時間復雜度通常在O(m2×n)～O(m3×n)[34]，但是如果訓練實例的數量太大，顯然SVM的訓練時間將會很長，所以SVM非常適用于復雜但是中小型的訓練集。但飛機飛行數據又具有數據規模龐大的特點，所以如果要使用SVM對氣路故障進行診斷，那么需對數據規模和訓練時間進行取舍。

曹惠玲等[35]基于SVM建立最小二乘支持向量機回歸模型建立快速診斷喘振方法，根據發動機低壓壓氣機轉速、壓比和燃油流量真實參數數據與模型的預測值的相對誤差率來分析發動機是否發生喘振故障。胡超等[36]在SVM的基礎上引入量子自適應粒子群優化算法(quantum adaptive particle swarm optimization，QAPSO)，提高了發動機故障診斷的平均診斷準確度和抗噪能力，并且在不同情況下展現出較強的適應能力。同時，楊婧等[37]通過網格搜索算法(grid search optimization，GSO)對SVM的超參數尋參，找出相對最優的軸承故障診斷模型的超參數，具有較強的實用性。且馬晨佩等[38]利用麻雀搜索算法(sparrow search algorithm，SSA)對支持向量機的懲罰因子C與核函數g進行優化，使得模型收斂速度加快，準確性更高，在發動機軸承故障診斷領域也有一定的指導意義。

圖3 SVM分隔范例Fig.3 Examples of SVM separation

2.3.4 關聯分析

在民航領域，關聯規則被用于發現對QAR數據進行分析以預測飛機是否出現故障或故障趨勢，雖然關聯分析具有易實現的優點，但是其當數據規模龐大時的表現能力較差，耗時較長，且對頻率出現較低的信息無法分析使信息丟失。所以在此基礎上提出數據立方體的多維關聯規則[39]，周劍波等[40]將粒子群優化算法(PSO)和灰色關聯分析有機結合起來，設計發動機氣路部件兩層診斷結構，則適當解決這些問題，并提高了關聯分析的精度，減少了計算的耗費成本。而劉小峰等[41]為有效對發動機剩余壽命進行預測，采用灰色理論得到了較高的預測準確度，為發動機的故障預測和健康管理提供了一種新思路。

2.3.5 人工神經網絡與深度學習

神經網絡是由具有適應性的簡單單元組成的廣泛并行連接的網絡，其自己的組織能夠模擬生物神經系統對現實輸入所做出的的交互式反應[42]。神經網絡以神經元為單位，接受來自n個其他神經元或者外界的帶權重的輸入信號，隨后用過“激活函數”(activation function)進行處理并傳入下一層的m個神經元或輸出。其基本模型如圖4所示。

圖4 神經網絡基本模型Fig.4 Basic model of neural networks

人工神經網絡一般自學習、尋找最優解快速，對非線性數據具有很好的擬合能力，而且非常適應在航空發動機氣路故障診斷過程中對應參數數據從輸入層輸入到輸出層輸出故障診斷數據輸出的映射。同時，應用深度學習，在一般神經網絡的基礎上增加網絡的深度，每一層節點的數量，參數越多、模型越復雜，算法就能完成更復雜的學習任務。另外，端到端可以忽略大部分傳統機器學習算法特征工程的部分。特別是航空發動機的氣路故障診斷其自身就是一個復雜的非線性模型[43-45]。除了一般的輸入參數到輸出參數的深度學習模型，使用循環神經網絡，恰當將長短期記憶(long short-term memory，LSTM)和門控循環單元(gated recurrent unit，GRU)應用在時間序列相關或者振動頻率相關的數據上，也能得到很好的連續性相關的訓練模型[46-48]。除此之外，利用卷積神經網絡(convolutional neural networks，CNN)對圖像處理的優異性能，將其應用在孔探技術上，輔助分析氣路通道的故障和損傷，也能提高維修效率，降低維護成本[49-51]。

但是訓練復雜度很高的模型，訓練的效率會降低而且最重要的是容易有過擬合的風險，導致模型的泛化能力差，不能適應新的數據。所以此時增加訓練集的數量可以有效緩解這種問題[52]，同時采用多種優化手段如Batch Normalization、Dropout、使用Adam優化器代替SGD等，則也可以增加模型的泛化能力，加速模型訓練。且現階段計算力的大幅提升也可忽略一些模型復雜度高、訓練集規模龐大的所導致的訓練成本高的問題。因此，利用深度學習(deep learning)的方法來解決氣路故障診斷的問題乃至研究發動機其他部件和系統的控制邏輯是業內的一種趨勢。

但是人工神經網絡卻有“黑箱”特性，缺少如樸素貝葉斯、決策樹和邏輯斯蒂回歸(logistic regression)等機器學習方法的可解釋性。且需要的數據量和計算成本與傳統的機器學習方法比要更多更昂貴。但數據量的需求正好與飛機飛行的QAR數據的海量和多樣性契合[53]，且高昂的計算成本也因為高速發展的計算機性能而逐漸得以解決以至于在可接受范圍內。另外，神經網絡和深度學習的模型設計復雜，對于新算法和模型的開發和調配往往需要投入大量的人力物力和時間。所以針對模型設計復雜的問題，大部分人采用遷移學習的技術適配當下的數據建立自己的模型[54-55]。

目前，國內已有很多使用神經網絡和深度學習對航空發動機故障診斷的研究和范例。例如，在早期探索中，使用淺層神經網絡對發動機故障進行診斷[56-57]，侯鳳陽[58]在此基礎上將神經網絡應用于發動機單部件故障和多部件故障的檢測、隔離和量化，并取得了比較準確的故障診斷率。另外，陳恬等[59]采用自組織神經網絡(self-organizing feature map)在早期的發動機氣路故障進行診斷中，說明了自組織網絡在帶有噪聲環境的較高魯棒性。后來，閆鋒等[60]采用多輸入、單輸出的徑向基函數(radial basis function，RBF)神經網絡，在輸入層應用Pearson相關性以選定輸入層的參數，并得以預測N2基線。以及采用概率神經網絡(probabilistic neural networks)以定性的方法對發動機既定的原型故障快速診斷。而劉利軍等[61]使用結合了雙向循環神經網絡(bidirectional recurrent neural network，RBNN)和LSTM優點的雙向LSTM網絡，研究表明其在氣路故障診斷方面，更適合處理與時間序列有高度相關性的數據，克服了LSTM對后文信息不能有效處理以及循環神經網絡梯度消失的問題。付旭云等[62]對發動機排氣溫度的氣路參數的預測精度的研究表明，可以用時變模糊網絡來提高。對于航空發動機的高度非線性，為了避免使用傳統線性方法建模帶來的不可接受的誤差，Kiakojoori等[63]使用動態神經網絡(dynamic neural networks)建模以獲得很好的非線性相關參數數據的模擬性能。元尼東珠等[64]可利用CNN在大規模數據中擅長對局部數據特征進行分析、自動分析全局的訓練特征和分類等優點，對航空發動機的氣路故障進行診斷。吳斌等[65]和李本威等[66]根據深度置信網絡(deep belief networks， DBN)可有效解決淺層神經網絡泛化性不足，不易得到全局最優解等問題，利用DBN進行氣路故障診斷，研究結果表明模型提高了氣路故障診斷的精度、效率和魯棒性。但是對DBN的隱藏層的層數和每層的受限玻爾茲曼機(restricted Boltzmann machine， RBM)個數需再深入研究。

科學家發現，這種急劇變化正在持續，從20世紀六十年代晚期開始，冰島和巴倫支海域海水的PH值大約每十年下降0.02%。白令海峽和北冰洋中部加拿大海盆的表層海水也出現了因化學影響造成的酸化現象。酸化很可能導致北冰洋的海洋生態系統出現巨大變化。

2.3.6 融合診斷的方法

融合算法將不同的類型的算法在相同或不同的層面進行結合，彌補了單一算法自身的存在的缺陷，提高了故障診斷的準確度。比如，將物理模型的算法和數據驅動的算法在特征層面進行定量結合可有效彌補將基于數據算法融合沒有考慮部件物理特性，而導致的泛化能力不足的缺點[67-68]。

在業內，李業波等[67]利用改進的迭代約簡最小二乘SVM(IRR-LSSVR)對ELM和基于SVD的Kalman濾波器在特征層進行融合，提高了氣路部件的故障診斷精度。陳恬等[69]將利用粗糙集減少神經網絡輸入層節點，用神經網絡對故障分類的融合方法，以提高氣路部件故障診斷系統整體的抗噪能力。另外，陳恬等[70]也利用改進的D-S(Dempster-Shafer)證據理論，對自組織競爭網絡和反向傳播(back propagation，BP)神經網絡的診斷結果進行決策及融合，通過調整兩個子系統的權重從而使氣路故障診斷系統整體的抗噪能力獲得提升。另外，曲建嶺等[71]采用特定的融合算法對廣義回歸神經網絡和BP神經網絡的診斷結果進行融合，以提升氣路故障診斷的精度。最后，王修巖等[72]使用支持向量機對故障進行初篩，再利用脈沖神經網絡(spiking neural networks， SNN)對難以區分的相似故障進一步細分使氣路故障診斷的準確度更佳。

3 數據驅動方法的關鍵和難點

通過以上對國內數據驅動的方法在氣路故障診斷以及其他方面的應用，可以看出基于數據驅動的診斷方法在業內的廣泛性，以及其自身的優點所帶來的對氣路故障診斷的重要性。但是，除了以上所論述的關于數據驅動方法所展現的優秀性能，還有一些在使用這類方法時需注意的重點和難點。

3.1 針對具體問題的整體性框架

對于航空發動機氣路故障診斷具體問題，如果要使用數據驅動的方式去處理，那么需要確定選取模型的類別，有監督或無監督，在線或者離線等。針對不同的場景實時診斷或者視情維護等，選擇氣路故障診斷的處理類別，以為后續工作的順利展開定性分析。同時對于性能衡量的指標也是需要重點考量的，是根據驗證集的準確度，還是與基線的偏離程度或者使用均方誤差等。因為性能指標的選取也為了對標最后應用的過程是否符合了業務的目標。針對具體的業務目標，選取適當的性能衡量指標，同時劃定達到業務目標所需的最低性能衡量指標，對于氣路故障系統建立的整體思路具有重大的指導意義。

3.2 數據的獲取

飛機飛行數據的獲取有多種途徑和多種類型，但對氣路故障進行以數據驅動的方式診斷時，由于QAR中，數據存儲豐富，參數繁復，從QAR中獲取所需的數據也是常用的手段。但如果訓練集和測試機都通過仿真模型獲得，則最后模型的診斷結果相比于真實飛行數據所訓練的模型，會缺乏一定的可信度。但是數據對象、數據量的選擇則需要慎重考慮。是選取同一飛機、同一飛行航段、同時間段的數據，還是選取不同飛機、不同時間的數據，但飛行階段相同的數據。飛行數據的間隔短，以及發動機循環數少是否對模型的建模精度有一定程度的提高。這些數據對結果準確度的影響，整個系統可信程度的影響需要考慮在內。同時不同機器學習方法對數據量的需求也不盡相同，過多的數據可能造成模型計算成本過多，新數據更新周期較長，與之所提升的精確度程度相比太大。而數據量過低，則會導致模型準確度過低，泛化能力、魯棒性低于業務目標。

3.3 數據準備和分析

在對航空發動機氣路故障診斷的過程中，對于模型的關注度過高，而對數據的關注度過低，往往也是導致診斷結果誤差大、性能提升低的重要原因。比如，對于淺層神經網絡，兩層隱藏層雖優于單層，但對整體的性能提升不大，反而增加了模型訓練的時間成本。且4個或8個輸入信號都能達到90%以上的診斷準確度，此時對系統影響系數較大的參數選擇則能比調整系統參數帶來更多得性能提升和優良表現[73]。

對于所收集的氣路參數進行準備和分析，一般包括：①研究每個參數的屬性以及特征，即類型(數值型、文本型、結構化等)、缺失值占比、噪聲及其類型(隨機、異常值或是舍入誤差等)、參數實用性、分布類型(高斯分布、均勻分布或泊松分布等)；②數據可視化；③參數之間的相關性；④異常值和缺失值處理；⑤模型參數選擇；⑥特征工程和特征縮放。

在進行數據分析之時，對于數據的處理雖然重要，但是對數據背后與之相關的物理意義以及模型參數之間的關聯性也要敏銳察覺。優秀的數據處理結果雖然能降低訓練成本，平滑訓練過程，但是了解和理解數據與現實物理模型之間的相關性則更能有助于是機器學習模型與物理模型貼合，使之更合理，模型更健壯。同時注重統計學知識的應用，對參數與模型聯系的度量可以使用支持度和置信度兩個參數進行量化，有利于調整模型，但是對如何組合參數，如何考量量化參數以及訓練成本則提出了挑戰[74]。但需要強調的是，任何參數自身不一定代表單一特定的故障，其可能是許多故障衡量的參數之一。對于參數和氣路故障之間的聯系應有二者是復雜、交錯和互相影響的概念[75]。再者，雖然利用可視化技術可以人為對參數之間的相關性有一個直觀和清晰的認識，但氣路參數常為多維，所以如何更準確度量參數之間和參數與模型之間的相關性也是需要解決的重要問題[76]。如果對數據降維如利用PCA方法，以達到可視化的目的，那么如何最小化損失信息也是需要考慮的。另外，雖然從QAR中容易獲得氣路故障診斷所需的參數數據。但是傳感器所收集的數據也不一定都是準確無誤的，數據的噪聲水平也是需要處理的。否則，高噪聲數據會使診斷的準確率偏低。若要使用神經網絡的方法診斷氣路故障，過高的噪聲水平是導致訓練過程難度加大、診斷測試集準確率低、使模型泛化能力偏低的主要原因。最后，傳感器所收集的參數之間量綱不同，如果不對參數進行歸一化處理和修正，那么模型訓練有可能會加大大數值數據權重，使訓練成本增加，且反映出的結果也不清晰。

3.4 選擇模型和調整模型

對于所有擁有的參數數據量選擇合適的訓練模型。如果數據量巨大，可將數據集分割為合適大小以快速訓練不同的數據模型用來和研究對象形成對比，加快研究速度。但是如果對比對象為深度學習類別的復雜模型，則要考慮到分割數據量所導致的單個模型的數據集減少而引起的訓練不足的影響。同時，可以采用K折交叉驗證充分衡量和比對模型之間的性能。對于超參數的合理選擇也尤為重要，因為超參數由人為手動選擇，那么超參數的選擇范圍過大會引起模型結果變化率大，而縮小超參數選擇范圍則會增加訓練時間。利用網格搜索尋找合適的超參數也只適用于超參數值較少的情況，若超參數值較多則最好利用隨機搜索確定各個超參數優良值的大致范圍，而采用貝葉斯優化方法可以適當減少訓練時間[77]。

3.5 測試方法和維護系統

當模型訓練完畢，且泛化性能和魯棒性都達到業務指標的情況下，在工業生產或實際應用的情境中，若只考慮固定的輸入參數，那么遇到新設備、新部件或新系統的情境下有可能會出現所訓練的模型無法復用的情況。而此時重新開發算法又會增加維護成本，若優化原模型又需要重定義接口，考慮新數據是否適用于新模型等問題。所以，在實際應用中不僅要考慮模型診斷的性能，也要解決對于不同應用下的適應能力。

4 后續的展望

為了解決現有基于數據驅動方法的氣路故障診斷所出現的問題，未來的研究方向和發展趨勢如下。

(1)數據預處理標準化。在對航空發動機的氣路故障以數據驅動的方式進行診斷時。往往對模型關注度過高，而對數據的預處理不夠。若能建立標準化的數據預處理流程，則能更加高效地完成數據預處理工作，使數據能適用于不同的模型。同時，注重于數據的預處理工作能減少模型受到數據干擾導致的誤差(缺失值、異常值、噪聲數據以及未標準歸一化等)，使針對氣路故障的診斷工作能更專注于模型的調整和優化。所以，建立標準化的數據預處理流程，能更好地服務于后續關于模型的工作。

(2)診斷系統集成化。如今，越來越多的氣路故障診斷方法在基于一般的數據驅動方法基礎上，采用了能提升基礎系統性能的算法并將其融合于系統。針對不同機器學習方法的缺點，在參數維度、建模速度、結果結合分析等層面采取能有效提升過程性能的優化方法，或利用傳統方法以及物理層面的技術措施(振動監測、動力學分析和狀態監控等)與數據驅動方法集成，取長補短，不僅滿足了基本的業務需求，還增加了系統整體的診斷準確度和系統健壯性。

(3)診斷系統模塊化。航空發動機的氣路故障診斷系統還應具備對部件或者設備更新的自適應能力。在不同的環境或者新部件的情況下，也能具有自優化，主動適應或選擇適應該環境下的故障診斷的能力。建議將航空發動機的氣路故障診斷系統進行模塊化，建立統一標準，針對不同的處理過程和應用環節，分立為相同階段統一輸出的模塊。因此，在不同的環境下，在同一環節選擇適應于此環境下的不同模塊，也能具有相同輸出給下一環節的上一環境的模塊。以診斷系統模塊化為前提，以增加系統整體對不同環境的適應性，提高系統的魯棒性和工業應用能力。但將診斷系統模塊化需要考慮如何將各個處理環節標準化和模塊化，同時如何將各個環節的輸出統一處理、統一度量以至于可用于下一環節不同模塊的輸入也是需要解決的一大難點。

(4)診斷結果可信度提升。診斷系統結果的準確率和可信度雖然在訓練時在有監督和測試集的情況下可以預估，但如何提升系統在實際應用場景面對無標注數據的診斷結果的可信度也是需要商榷的問題。除了在模型構建的場景使用交叉驗證等技術手段，在生產場景中也可使用物理仿真、發動機試車等方法收集數據，不斷改進模型提升實際應用結果可信度。應當在早期發現系統的缺陷以便于及時的改進和優化，同時考慮實際應用時診斷結果的置信水平以及采取輔助手段以解決錯誤診斷時及時發現錯誤診斷的結果，提高實際應用的工作效率，降低運行成本。

5 結論

介紹了航空發動機氣路故障的含義以及如何獲取故障信息的方法，總結了針對氣路故障業界的排故方法，重點敘述了以數據驅動方法對航空發動機進行氣路故障診斷的各種方式及其優缺點，并對未來以數據驅動方法對氣路故障診斷展望了數據預處理化、診斷系統集成化、模塊化和診斷結果的可信度提升的發展趨勢。以助于業界對目前以數據驅動方法對航空發動機氣路故障診斷現狀的主要方法和面臨的主要問題有比較清晰的認知，并且在這一研究方向上對未來出現的新的診斷方法、診斷思路具有一定的參考價值。