论文标题：Physics-Guided Neural Network Model for Aeroengine Control System Sensor Fault Diagnosis under Dynamic Conditions

论文链接：https://www.mdpi.com/2226-4310/10/7/644?n1=43&_utm_from=315ffb84f5

期刊名：Aerospace

期刊主页：https://www.mdpi.com/journal/aerospace?n1=43&_utm_from=315ffb84f5

航空发动机作为高度复杂和多学科深度耦合的工程机械系统，其工作包线宽广，运行状态随环境和工况呈现强动态特性，且长期服役于高温、高压和强振动等极端恶劣环境，其控制系统各部件承受着显著的非线性动态载荷冲击。其中，传感器是发动机控制系统的关键环节与故障高发部件，其失效会直接危及飞机的安全可靠运行，严重时甚至诱发重大飞行事故。因此，开发高精度的传感器智能故障诊断系统，对于保障发动机控制系统在全工况运行过程中的安全性和可靠性具有重大工程意义。传统的智能故障诊断方法通常局限于发动机稳态工况，难以有效区分动态条件下由故障引起的异常信号与发动机自身特性（如推力变化、转速瞬态）引起的正常信号变化，导致诊断性能下降。此外，传统深度学习模型固有的“黑箱”特性，常导致其输出违背物理规律，制约了其工程可信度与应用价值。因此，面向航空发动机强动态运行场景，如何融合物理机理与数据驱动优势，构建可信赖的智能故障诊断模型，是亟待突破的关键技术瓶颈。来自西北工业大学智能控制研究所团队的李慧慧博士在Aerospace期刊发表了文章，提出了基于物理引导神经网络 (Physics-guided Neural Network, PGNN)的智能故障诊断方法，该项研究对于提高航空发动机运行安全和经济可承受性具有重要意义。

基于物理引导神经网络的航空发动机控制系统传感器智能故障诊断方法流程图

研究过程与结果

作者在文中提出了基于模型和数据混合驱动的航空发动机控制系统传感器动态智能故障诊断方法。该方法核心由PGNN预测模型与基于CNN的残差分析两部分构成。作者首先构建了基于PGNN的发动机性能预测模型，设计模型和数据混合输入策略，将信号通过模型通道（基于发动机物理模型） 和数据通道（原始测量数据） 并行映射至目标空间；利用高保真发动机物理模型，仿真生成涵盖健康状态及典型故障模式下的系统行为数据，有效增强了训练数据集。将表征输出参数与系统状态间内在关联的物理方程作为正则化项嵌入物理信息增强的损失函数设计，削弱了测量噪声及模型误差导致的物理不一致性。通过迭代优化使损失函数最小化，实现对转速、温度、压力等关键发动机性能参数的高精度动态预测。在此基础上，作者提出了基于卷积神经网络 (Convolutional Neural Network, CNN)的残差生成和评估方法，将测量参数特征空间转换至残差特征空间，有效抑制了发动机飞行状态动态变化对诊断信号的干扰。针对多故障类型间数据特征相似度高、易受噪声干扰的挑战，构建了基于CNN的智能故障识别器，深度挖掘残差特征空间中的高维、抽象故障模式，实现了高精度的多故障检测与隔离。

基于PGNN的发动机性能预测模型结构图

为验证所提出方法的有效性，作者构建了集成数字仿真模拟故障数据、硬件在回路试验故障数据和半物理故障数据所组成的综合数据集，开展了传感器单故障诊断案例分析和传感器和执行机构多故障诊断案例分析。在传感器单故障诊断案例中，所提出PGNN预测模型的预测RMSE为0.9897，诊断平均准确率为95.9%。在传感器和执行机构多故障诊断诊断案例中，诊断平均准确率为98.285%。研究结果表明，所提模型和数据驱动混合结构可以充分利用了输入与输出之间的隐式关系，提高了航空发动机在动态工况下的故障诊断精度。需要注意的是，PGNN-CNN方法的模型复杂度增加带来了更长的训练时间，在实际工程应用中需在诊断性能与计算资源开销之间进行合理权衡。

（a）PGNN的预测结果	（b）PGNN的预测误差对比	（c）故障诊断结果

传感器单故障诊断案例仿真结果

研究总结

本文聚焦于工作状态高度动态可变的航空发动机控制系统，致力于解决动态条件下的智能故障诊断难题，基于PGNN和CNN网络，提出一种基于模型和数据混合驱动的动态的智能故障诊断方法。该方法的创新之处在于提出了基于物理-数据的混合输入策略和基于物理信息和PGNN损失函数，形成了由数据和先验知识组成的混合信息源，显式嵌入发动机物理机理作为正则化约束，进一步约束模型求解空间从而消除了物理不一致性。仿真结果表明，该方法能够有效应用于航空发动机控制系统在动态运行条件下的故障诊断，相比于纯数据驱动模型，所提方法的预测均方根误差减少了40.84%，诊断准确率提升了23.55%。

Aerospace期刊介绍

主编：Konstantinos Kontis, University of Glasgow, Scotland, UK

Aerospace期刊致力于发表航空航天科学、工程和技术相关的创新研究，涵盖飞行器设计、推进系统、飞行控制、先进材料、空间科学、航空电子、无人机系统（UAS）、城市空中交通（UAM）、可持续航空、航空安全以及前沿技术等。鼓励跨学科研究，推动航空航天科技发展，欢迎实验、仿真与理论研究的原创成果及综述。

2023 Impact Factor: 2.1

2023 CiteScore: 3.4

Time to First Decision: 21.3 Days

Time to Publication: 2.6 Days