CN120336823A - 一种基于变分神经异常检测架构的涡扇发动机故障检测方法 - Google Patents

Abstract

本发明公开了一种基于变分神经异常检测架构的涡扇发动机故障检测方法，涉及航空发动机故障检测与诊断技术领域，该方法包括：获取涡扇发动机在飞行状态下的多元传感器数据，并进行数据预处理，得到涡扇发动机传感器故障诊断数据集；构建基于变分神经异常检测的涡扇发动机故障诊断模型及统一的多任务联合优化目标函数，利用涡扇发动机传感器故障诊断数据集，对故障诊断模型进行训练，通过统一的多任务联合优化目标函数实现参数的迭代更新；采集涡扇发动机在飞行状态下的实时多元传感器数据并输入至训练完成的故障诊断模型中，实时评估发动机运行状态。本发明有效提高了涡扇发动机故障诊断的准确性，保障了航空发动机的运行安全。

Description

一种基于变分神经异常检测架构的涡扇发动机故障检测方法

技术领域

本发明涉及航空发动机故障检测与诊断技术领域，尤其涉及一种基于变分神经异常检测架构的涡扇发动机故障检测方法。

背景技术

近几年，航空工业的快速发展极大地提升了涡扇发动机的应用范围与性能要求。涡扇发动机作为现代航空器的核心动力装置，其运行状态的可靠性直接关系到飞行安全及任务的成功实施。随着航空发动机结构的复杂性不断增加，例如高压压气机、高压涡轮和燃烧室等关键部件的设计更加精细，部件之间的耦合关系更加紧密，导致运行环境更加苛刻，使得如叶片裂纹、轴承磨损、燃烧不稳定和压气机喘振等各类故障发生的可能性显著提高。航空发动机故障一旦发生，若不能及时检测并采取有效措施，将可能造成严重的飞行安全事故。现有的传统故障检测方法通常依赖于人工经验或基于固定阈值的诊断模型，难以有效应对发动机复杂多变的运行条件与未知故障模式，导致诊断准确性和可靠性不足。因此，迫切需要一种更加智能、高效、准确的涡扇发动机故障检测方法，以实现对发动机异常状态的实时监测与早期预警，保障航空器的飞行安全与可靠性。

在过去几十年中，研究人员提出了多种异常检测算法，包括基于统计阈值的方法、主成分分析（PCA）和经典的支持向量机（SVM）等。这些方法通常依赖于设定明确的阈值或通过对历史数据进行线性特征分析来实现故障检测。然而，这些传统的异常检测算法在处理复杂非线性特征关系时表现出明显不足。尤其是涡扇发动机的实际飞行数据通常较为稀缺，且许多未知的故障模式并未在已有数据集中充分体现。例如，传统的基于阈值的方法在面对未曾出现的叶片裂纹或新型燃烧不稳定现象时，容易出现误报或漏报；而经典的主成分分析（PCA）在数据非线性特征较强的情形下，其降维能力不足，难以有效捕捉故障征兆；支持向量机（SVM）则对训练数据的依赖性较强，若训练数据中缺乏对未知故障模式的有效描述，将显著降低其检测新故障的准确性。因此，传统方法在复杂且数据缺乏的情况下无法高效、准确地识别涡扇发动机中的未知故障模式，亟需一种能够在数据稀疏条件下仍具备高精度检测能力的新方法。

具体而言，理想的异常检测模型应具备以下能力：首先，能够有效泛化识别数据集中不存在的未知异常模式；其次，能综合分析来自多个传感器的数据，具备对发动机运行状态的全局性异常判断能力；此外，还需具备对发动机局部或特定工况下细微异常进行精准识别与定位的能力。目前同时具备上述能力的模型尚不多见，但也有一些研究提出了NeuTraL-AD方法，通过联合学习数据变换和编码器，利用确定性对比损失（DCL）提升模型的语义一致性与数据多样性，在多个时间序列与表格数据集中表现突出。

然而，为实现准确的涡扇发动机故障检测还需要面临以下问题。

1)NeuTraL-AD算法仅能输出全序列级的异常分数，无法定位序列中具体异常时刻，使得局部故障定位困难。此外，由于异常分数为连续值，在无标签情形下难以自动确定最佳阈值。

2)航空发动机故障数据通常具有非线性、强耦合特征，这要求异常的获取通常困难且成本较高，尤其是对未知或罕见故障模式的数据更为稀缺，限制了模型对未知故障模式的学习和泛化能力。

3)实际运行中的发动机往往伴随复杂的工作条件变化，例如温度、压力和转速的频繁变化，使得异常模式的边界模糊且易变，增加了异常检测模型精准识别故障模式的难度。

发明内容

基于以上背景技术中存在的技术问题，本发明的目的在于提出一种基于变分神经异常检测架构（Variational Neural-AD）的涡扇发动机故障检测方法，以解决传统异常检测方法在处理未知故障模式、全局性判断和局部异常精准定位方面的不足。具体而言，本发明结合NeuTraL-AD与变分自编码器（VAE），通过多任务联合训练机制实现异常检测的鲁棒性和泛化性提升；创新性地引入重构误差作为异常检测的补充指标，帮助模型更细致地捕捉和定位发动机局部异常；同时，通过潜在空间的KL散度正则化，提高模型在高维数据场景下的稳定性和性能。本发明的技术方案不仅有效提高了涡扇发动机故障诊断的准确性，还显著提升了模型的工程适用性，保障了航空发动机的运行安全。

具体的，本发明提供一种基于变分神经异常检测架构的涡扇发动机故障检测方法，包括：

获取涡扇发动机在飞行状态下的多元传感器数据；

对所述多元传感器数据进行数据预处理，得到涡扇发动机传感器故障诊断数据集；

构建基于变分神经异常检测的涡扇发动机故障诊断模型架构，其中，所述故障诊断模型包括卷积特征编码模块、变分自编码重构模块和神经变换对比学习模块；

构建统一的多任务联合优化目标函数，对所述卷积特征编码模块、所述变分自编码重构模块和所述神经变换对比学习模块共同训练与优化；

利用所述涡扇发动机传感器故障诊断数据集，对所述故障诊断模型进行训练，通过所述统一的多任务联合优化目标函数实现参数的迭代更新；

采集涡扇发动机在飞行状态下的实时多元传感器数据，将采集到的多元传感器数据输入至训练完成的故障诊断模型中，实时评估发动机运行状态。

进一步的，所述多元传感器数据包括：飞行高度、飞行马赫数、功率控制角、燃油流量及高压压气机转速。

进一步的，所述数据预处理包括数据清洗、标准化和异常样本构造。

进一步的，所述涡扇发动机传感器故障诊断数据集为：，其中，N 为样本总数，表示第 个多元传感器信号样本， 为对应的故障类别标签，该数据集中每一个故障样本 均对应有一个理想的无故障样本 。

进一步的，所述卷积特征编码模块由若干卷积神经网络层和全连接层组成，其用于将所述多元传感器数据映射到高维潜在特征空间；

进一步的，所述卷积特征编码模块后端设置有故障分类模块，其由一个卷积层和全连接层组成，其用于将所述卷积特征编码模块得到的高维特征信息映射到故障类别空间，实现健康状态识别。

进一步的，所述变分自编码重构模块用于将所述卷积特征编码模块生成的潜在特征，通过解码器重构出涡扇发动机的原始传感器信号，并计算信号的重构误差，以确定异常信号的位置。

进一步的，所述神经变换对比学习模块由多个可学习的神经变换函数组成，用于对输入数据执行多样化的语义变换；所述神经变换对比学习模块引入确定性对比损失函数以优化所述卷积特征编码模块的潜在特征表示，使不同变换视图与原始视图在语义空间中的一致性和差异性能够被有效地区分。

进一步的，在对所述故障诊断模型进行训练时，使用的联合优化目标函数为：

；

其中：

为确定性对比损失，用以优化神经变换对比学习模块的语义变换能力；

为变分自编码重构模块的重构误差损失，用以保证模型对输入数据的准确重构与异常精确定位；

为KL散度损失，用以约束潜在特征分布符合高斯分布特性；

λ为超参数，用以控制确定性对比损失和变分重构误差损失之间的优化平衡程度。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本发明针对涡扇发动机传感器故障诊断与异常定位的应用场景，提出了一种基于变分神经异常检测（Variational Neural-AD）的深度学习架构。该架构融合了变分自编码器（VAE）与自监督神经变换对比学习模块（NeuTraL-AD）的优势，不仅能精确识别传感器的多种故障类型，还能实现对异常信号的高精度定位，以保障飞行安全。特别地，为解决涡扇发动机数据稀缺及未知故障模式难以识别的问题，本发明创新性地提出了自适应神经变换增强策略，通过生成更多潜在异常样本，有效提升了模型对未知故障的泛化识别能力。同时，通过变分自编码重构机制（VAE Reconstruction），实现潜在空间中的细粒度语义表征与局部异常信号的精准回溯和定位。最为重要的是，本发明的编码器与解码器通过多任务联合训练实现深度特征的协同优化，从而有效提高模型在复杂飞行条件下的故障诊断准确性和鲁棒性。

与现有技术相比，本发明显著提升了涡扇发动机传感器故障诊断和异常检测的精度，能高效地识别和定位各类未知的传感器故障情况，保障涡扇发动机在各种飞行工况下的安全可靠运行。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明所提出的基于变分神经异常检测架构的涡扇发动机故障检测方法流程图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

近年来，涡扇发动机在性能优化与可靠性提升方面取得了显著突破，其高效运行能力使其成为现代航空动力的核心。这一突破得益于材料科学、流体动力学和智能控制技术的跨越式发展。涡扇发动机通过高精度传感器网络实时监测燃烧室温度、涡轮转速、燃油压力、振动频谱等关键参数，结合数字孪生模型实现运行状态的动态评估。其中，高温热电偶、动态压力探头和光纤振动传感器构成健康监测系统的基础，而滑油金属碎屑检测、气路静电监测等特种传感器则直接关系到发动机的故障预警能力。然而，在持续高负荷运转工况下，发动机内部极端环境（高温、高压、高转速）会导致传感器性能漂移，涡轮叶片蠕变、燃烧室热疲劳等渐进性损伤不断累积，可能引发传感器失效或部件功能退化。当关键参数出现异常偏差时，若未能及时识别并校正，可能诱发压气机失速、涡轮超温等连锁故障，严重威胁飞行安全。构建精确的故障检测与健康管理系统（PHM）对预防发动机非计划拆换、避免灾难性事故具有决定性作用。因此，发展智能化故障诊断与剩余寿命预测技术，是实现航空发动机高可靠性、高可维护性运行的必要保障。

基于以上考虑，本发明提出一种基于变分神经异常检测架构的涡扇发动机故障检测方法，以解决传统异常检测方法在处理未知故障模式、全局性判断和局部异常精准定位方面的不足。具体而言，本发明结合NeuTraL-AD与变分自编码器（VAE），通过多任务联合训练机制实现异常检测的鲁棒性和泛化性提升；创新性地引入重构误差作为异常检测的补充指标，帮助模型更细致地捕捉和定位发动机局部异常；同时，通过潜在空间的KL散度正则化，提高模型在高维数据场景下的稳定性和性能。本发明的技术方案不仅有效提高了涡扇发动机故障诊断的准确性，还显著提升了模型的工程适用性，保障了航空发动机的运行安全。

具体的，如图1所示，本发明提供一种基于变分神经异常检测架构的涡扇发动机故障检测方法，该方法包括如下步骤：

步骤1：获取涡扇发动机在飞行状态下的多元传感器数据。

涡扇发动机通过部署于发动机关键部位的多个传感器实时采集运行状态数据，以监测发动机的健康状况和性能指标。因此，所采集的涡扇发动机多元传感器数据样本可表示为：其中，M 表示传感器信号的数量， 表示第 个传感器所采集到的时间序列数据。

步骤2：对多元传感器数据进行数据预处理，得到涡扇发动机传感器故障诊断数据集，用以训练后续的模型。

具体的，数据预处理包括数据清洗、标准化和异常样本构造。

涡扇发动机在不同飞行工况（如起飞、巡航、降落等）下进行运行，实时采集飞行过程中关键传感器的状态数据，包括飞行高度、飞行马赫数、功率控制角、燃油流量、高压压气机转速等信息。然而涡扇发动机在飞行过程中采集的原始多元传感器数据通常存在噪声干扰、信号漂移、数据缺失等问题。为了确保后续诊断模型能够高效地从数据中提取出准确且稳健的特征针对不同传感器之间数值范围差异较大的问题，本发明提出了一种自适应稳健标准化方法，以提高数据处理的鲁棒性。设传感器序列原始数据为 ，其标准化的计算公式定义为：

；

其中， 表示序列数据的中位数， 表示序列数据的中位数绝对偏差（Median Absolute Deviation）， 为极小常数，防止除零错误。采用此方法可有效抑制数据中的异常峰值，提高后续异常检测模型的稳定性。

实际飞行环境中，由于传感器自身的退化、污染或环境干扰，这些传感器信号可能呈现多种异常模式，如漂移、突变或噪声污染等。为了构建高质量的发动机故障诊断模型，通过大量的实际飞行状态数据采集和仿真故障注入实验，本发明构建了一个涡扇发动机传感器故障诊断数据集： 其中，N 为样本总数，表示第 个多元传感器信号样本， 为对应的故障类别标签。此外，该数据集中每一个故障样本 均对应有一个理想的无故障样本 用于模型的重构目标。

步骤3：构建基于变分神经异常检测（Variational Neural-AD）的涡扇发动机故障诊断模型架构，其中，故障诊断模型包括卷积特征编码模块、变分自编码重构模块和神经变换对比学习模块。

为有效实现涡扇发动机在复杂飞行条件下的实时故障监测与未知异常模式识别，本发明提出了一种创新的基于变分神经异常检测（Variational Neural-AD）的故障诊断模型。具体而言，本发明创造性地融合变分自编码器（VAE）的概率生成特性和特征提取能力，以及神经变换对比学习（NeuTraL-AD）所提供的自监督异常增强策略。实现了对涡扇发动机多元传感器数据在全局和局部层面的异常捕捉与精确定位。

以 NeuTraL-AD 通过自适应数据变换生成异常样本的方法为基础，该方法在数据稀少的情况下能够模拟更多潜在故障模式，并利用对比损失确保变换后样本在原始空间保持较高相似度的同时，在语义空间与原始样本拉开更大差异。随后，通过将 VAE 的编码器-解码器重构机制替换 NeuTraL-AD 中原有的编码器，进一步挖掘潜在空间中更深层次的语义表示。VAE 的特征提取不仅能够对局部异常进行回溯与定位，还可通过调整潜在表示来重构或生成更多异常样本，持续丰富模型的故障模式学习能力。二者的结合使得本发明在全局与局部两个维度均具备优异的异常识别性能，尤其在未知故障场景下能取得更佳效果。

具体而言，本发明设计的模型包括卷积特征编码模块（Convolutional Encoder）、变分自编码重构模块（VAE Reconstruction）以及神经变换对比学习模块（NeuralTransformation Contrastive Learning），通过创新的多任务联合训练机制，各模块之间实现深度协同优化。下文对各模块及相应机制的详细推导与描述如下：

卷积特征编码模块（Convolutional Encoder）由若干卷积神经网络层和全连接层组成，其用于将多元传感器数据映射到高维潜在特征空间；该模块输出的潜在特征充分保留了数据的关键语义信息，为后续的异常检测提供了可靠依据。

卷积特征编码模块的核心作用是对涡扇发动机多元传感器信号进行深度的特征提取与编码，以生成高维且富有判别能力的潜在特征表达。具体而言，设输入的标准化传感器数据为：

；

其中， 表示传感器的数量，表示时序长度。卷积编码器 通过多层一维卷积神经网络及全连接网络结构，将输入数据映射到一个高维高语义特征空间，得到潜在空间的分布参数 μ 和 σ：

。

卷积特征编码模块后端设置有故障分类模块，其由一个卷积层和全连接层组成，其用于将卷积特征编码模块得到的高维特征信息映射到故障类别空间，实现健康状态识别。

变分自编码重构模块（VAE Reconstruction）利用卷积特征编码模块生成的潜在特征，通过解码器重构出涡扇发动机的原始传感器信号，并计算信号的重构误差，以确定异常信号的位置。具体而言，在训练阶段该模块通过约束潜在特征使其服从高斯分布，从而获得稳定的特征表示；在推理阶段则基于重构误差对输入数据进行细粒度的异常检测，以识别微小偏差导致的故障。

为进一步实现异常模式的精准定位和局部异常检测，本发明创造性地引入变分自编码器（VAE）的结构，利用其重构机制实现细粒度的异常捕捉。具体而言，潜在变量 基于编码器生成的分布参数进行重参数化采样：

；

随后，通过解码器 将潜在特征重构为原始的传感器数据：

；

通过计算重构误差（Reconstruction Error），能够精确地定位信号中出现局部偏离的异常点，其误差表达为：

；

此外，通过引入KL散度约束（KL-divergence），可以使潜在空间特征分布更为规则和平滑，增强特征空间的泛化能力。KL散度定义为：

；

在此基础上，本模块不仅具备了精准的异常定位能力，还能够通过潜在空间的平滑特性，生成或重构出潜在的异常样本，扩充数据的多样性。

神经变换对比学习模块（Neural Transformation）由多个可学习的神经变换函数组成，用于对输入数据执行多样化的语义变换；神经变换对比学习模块引入确定性对比损失（DCL）函数以优化卷积特征编码模块的潜在特征表示，使不同变换视图与原始视图在语义空间中的一致性和差异性能够被有效地区分。通过上述方式，神经变换模块强化了模型对全局异常模式的敏感性，提升了对各类故障的检测能力。

鉴于涡扇发动机故障样本获取困难，实际数据集中未知异常模式较多，本发明创造性地提出了神经变换对比学习模块，自适应地学习数据变换，以生成丰富的异常语义视图。具体而言，模块定义了多个可学习的神经变换函数 ，作用于输入数据 上生成多样化的变换视图：

；

为强化模型对异常特征的全局敏感性，定义确定性对比损失（DCL）：

；

其中， 为余弦相似性度量函数， 为温度参数。通过优化DCL损失，驱动编码器在潜在空间内，使变换样本与原始样本在语义空间中区别明显，而在原始数据空间中相似性较高，达到更加高效地识别未知异常模式的目的。

步骤4：构建统一的多任务联合优化目标函数，对卷积特征编码模块、变分自编码重构模块和神经变换对比学习模块共同训练与优化。

为综合上述三个模块的优势，本发明进一步提出了统一的多任务联合优化目标函数：

；

其中，λ为权衡超参数，控制对比学习与VAE重构任务的优化平衡。

具体而言：

DCL损失：通过语义空间的对比学习，增强编码器捕获全局异常模式的能力，尤其对未知异常有更好的泛化性能；

VAE重构损失与KL散度：通过精细的重构误差衡量实现对局部异常精准定位，KL散度则保证了潜在空间分布的平滑性，提升模型的泛化性和稳定性。

在此基础上，本发明创新性地将变分自编码器与NeuTraL-AD融合，VAE的编码器增强了NeuTraL-AD中编码器的语义空间表达能力，而VAE的解码器则提供了一种生成更多异常样本的方式，从而进一步增强模型对未知故障的学习与泛化能力。具体地，通过主动调整潜在特征分布或进行潜在空间采样，能够重构或生成新的异常样本，扩展训练数据中异常模式的多样性。

步骤5：利用涡扇发动机传感器故障诊断数据集，对故障诊断模型进行训练，通过统一的多任务联合优化目标函数实现参数的迭代更新。模型的训练目标是最大化潜在语义信息的区分能力，同时准确实现异常信号的重构和精确定位。

具体的，在对故障诊断模型进行训练时，使用的联合优化目标函数为：

；

其中：

为确定性对比损失，用以优化神经变换对比学习模块的语义变换能力；

为变分自编码重构模块的重构误差损失，用以保证模型对输入数据的准确重构与异常精确定位；

为KL散度损失，用以约束潜在特征分布符合高斯分布特性；

λ为超参数，用以控制确定性对比损失和变分重构误差损失之间的优化平衡程度。

步骤6：采集涡扇发动机在飞行状态下的实时多元传感器数据，将采集到的多元传感器数据输入至训练完成的故障诊断模型中，实时评估发动机运行状态。

上述故障诊断模型通过卷积特征编码提取数据的潜在特征表示，并通过神经变换对比学习（NeuTraL-AD）识别全局未知异常模式，结合变分自编码器（VAE）的重构误差进一步精确定位局部异常位置，从而实现对涡扇发动机在复杂飞行条件下的实时故障诊断、异常定位及健康状态监测。

为了更好地说明本发明的技术效果，采用一个具体实施例对本发明进行试验验证。

本研究采用了基于美国NASA先进齿轮涡扇发动机(AGTF30)模拟平台生成的多元传感器数据，构建覆盖稳态/动态工况及全飞行包线多故障模式。该数据集包含18种健康状态，其既包含长时段的健康工况，又涵盖17种不同故障模式下的模拟飞行数据，具有较高的复杂度与代表性。各故障模式分别对应风扇、低压压气机(LPC)、高压压气机(HPC)、高压涡轮(HPT)和低压涡轮(LPT)等关键部件的性能劣化（如效率降低或容量衰减）。每种故障在一次飞行中单独发生并持续约200秒，从而形成具有明确故障标签的时序数据。除此之外，数据集中另包含约10000秒的健康巡航稳态运行记录，作为正常对照数据可用于模型的训练与评估。

本研究的核心是实现涡扇发动机的故障诊断和故障校正。故障诊断被定义为一个多分类问题，因此我们采用曲线下面积（AUC，Area Under Curve）、平均精度（AP，AveragePrecision）以及F1分数（F1-Score）三个指标来衡量诊断模型的性能，其数值越高表明模型性能越好，他们被定义为：

；

；

；

此外，为进一步评估模型的可靠性和实际应用表现，我们还引入了漏报率（MDR，Missed Detection Rate）和误报率（FAR，False Alarm Rate）两个指标。漏报率表示模型将真实存在的故障识别为正常状态的比例，其计算公式为：

；

误报率表示模型将正常状态误识别为故障状态的比例，其计算公式为：

；

其中 ；。式中：TP（True Positive）为真正例的数量；FP（False Positive）为假正例的数量；FN（False Negative）为假负例的数量；TN（True Negative）为真负例的数量。以上指标综合反映了所提出的模型在多分类故障诊断场景中的整体分类性能。

为了验证本发明所提出的基于变分神经异常检测（Variational Neural-AD）的涡扇发动机故障诊断方法及各模块的有效性，本研究设置了消融实验，并设计了多组对比实验，以评估所提出方法的性能优势。具体而言，所设计的消融实验对比模型包括：（1）Variational Neural-AD-F：去除变分自编码器（VAE）模块，仅保留卷积编码器和神经变换对比学习模块，专用于故障诊断任务；（2）Variational Neural-AD-V：去除神经变换对比学习模块，仅保留卷积编码器和变分自编码器（VAE）重构模块，侧重于局部异常定位与重构；（3）Variational Neural-AD-E：去除卷积特征编码模块，直接将原始数据送入变分自编码器和神经变换模块，以分析卷积编码器在特征提取上的贡献；（4）Variational Neural-AD-Base：同时移除VAE模块和对比学习模块，仅保留卷积编码器和故障分类器，仅作为基础分类模型进行对比。

涡扇发动机传感器的故障诊断：

为了展示所提出方法的有效性，表1展示了 Variational Neural-AD、Variational Neural-AD-F、Variational Neural-AD-V、Variational Neural-AD-E 和Variational Neural-AD-Base 在涡扇发动机传感器数据集上的故障诊断性能。从表1可以看出，各模块的有效性均得到了充分验证，例如，Variational Neural-AD-V 和Variational Neural-AD-F 的故障诊AUC分别达到0.978和0.971，明显优于基础模型Variational Neural-AD-Base的0.946，这表明VAE重构模块与神经变换模块对模型性能均有显著提升。此外，Variational Neural-AD-V的AP达到0.963，较基础模型0.922提高了4个百分点，这说明通过VAE重构进行局部异常重建能有效提升异常检测的精细度。而Variational Neural-AD的整体性能表现最为突出，其AUC、AP和F1-Score分别达到0.986、0.975和97.68%，说明了模型各模块协同工作所带来的卓越性能提升。此外，本研究进一步分析了漏报率（MDR）和误报率（FAR）两个关键指标。Variational Neural-AD的漏报率和误报率分别为1.52%和1.37%，相比基础模型Variational Neural-AD-Base的3.85%和3.42%显著降低。这一结果进一步验证了本发明所提出的各模块间协同优化，有效降低了误判与漏检风险，显著提升了故障诊断的可靠性与稳定性。

表1 所提方法的消融实验

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的系统、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于变分神经异常检测架构的涡扇发动机故障检测方法，其特征在于，包括：

获取涡扇发动机在飞行状态下的多元传感器数据；

对所述多元传感器数据进行数据预处理，得到涡扇发动机传感器故障诊断数据集；

构建基于变分神经异常检测的涡扇发动机故障诊断模型架构，其中，所述故障诊断模型包括卷积特征编码模块、变分自编码重构模块和神经变换对比学习模块；

构建统一的多任务联合优化目标函数，对所述卷积特征编码模块、所述变分自编码重构模块和所述神经变换对比学习模块共同训练与优化；

利用所述涡扇发动机传感器故障诊断数据集，对所述故障诊断模型进行训练，通过所述统一的多任务联合优化目标函数实现参数的迭代更新；

采集涡扇发动机在飞行状态下的实时多元传感器数据，将采集到的多元传感器数据输入至训练完成的故障诊断模型中，实时评估发动机运行状态。

2.如权利要求1所述基于变分神经异常检测架构的涡扇发动机故障检测方法，其特征在于：所述多元传感器数据包括：飞行高度、飞行马赫数、功率控制角、燃油流量及高压压气机转速。

3.如权利要求1所述基于变分神经异常检测架构的涡扇发动机故障检测方法，其特征在于：所述数据预处理包括数据清洗、标准化和异常样本构造。

4.如权利要求1所述基于变分神经异常检测架构的涡扇发动机故障检测方法，其特征在于：所述涡扇发动机传感器故障诊断数据集为：，其中，N 为样本总数，表示第 个多元传感器信号样本， 为对应的故障类别标签，该数据集中每一个故障样本 均对应有一个理想的无故障样本 。

5.如权利要求1所述基于变分神经异常检测架构的涡扇发动机故障检测方法，其特征在于：所述卷积特征编码模块由若干卷积神经网络层和全连接层组成，其用于将所述多元传感器数据映射到高维潜在特征空间。

6.如权利要求1所述基于变分神经异常检测架构的涡扇发动机故障检测方法，其特征在于：所述卷积特征编码模块后端设置有故障分类模块，其由一个卷积层和全连接层组成，其用于将所述卷积特征编码模块得到的高维特征信息映射到故障类别空间，实现健康状态识别。

7.如权利要求1所述基于变分神经异常检测架构的涡扇发动机故障检测方法，其特征在于：所述变分自编码重构模块用于将所述卷积特征编码模块生成的潜在特征，通过解码器重构出涡扇发动机的原始传感器信号，并计算信号的重构误差，以确定异常信号的位置。

8.如权利要求1所述基于变分神经异常检测架构的涡扇发动机故障检测方法，其特征在于：所述神经变换对比学习模块由多个可学习的神经变换函数组成，用于对输入数据执行多样化的语义变换；所述神经变换对比学习模块引入确定性对比损失函数以优化所述卷积特征编码模块的潜在特征表示，使不同变换视图与原始视图在语义空间中的一致性和差异性能够被有效地区分。

9.如权利要求1所述基于变分神经异常检测架构的涡扇发动机故障检测方法，其特征在于：在对所述故障诊断模型进行训练时，使用的联合优化目标函数为：

；

其中：

为确定性对比损失，用以优化神经变换对比学习模块的语义变换能力；

为变分自编码重构模块的重构误差损失，用以保证模型对输入数据的准确重构与异常精确定位；

为KL散度损失，用以约束潜在特征分布符合高斯分布特性；

λ为超参数，用以控制确定性对比损失和变分重构误差损失之间的优化平衡程度。