融合物理知识的数据驱动方法——飞机发动机全生命周期退化监测
飞机发动机性能的下降需要实时监控。因此，本文提出了一种实时性能退化监测方法，包括用于原始发动机性能预测的基线状态（BLS）模型和用于持续发动机性能预测的实时模型。两种模型均基于LSTM，并与发动机物理拓扑集成；为了抵消模型训练期间不同发动机状态之间的数据分布差异，本文提出了一种数据增强方法。在案例验证中，采用了发动机运行600小时的数据，以推力作为目标监测参数。初始50小时数据集涵盖了随后550小时的整个工况范围，并作为两个模型的训练数据集。试验结果表面，BLS模型在最初50小时内实现了平均绝对相对误差 (MARE)低于0.5%，最大绝对相对误差(Emax)低于8%。同时，实时模型在接下来的550小时内的MARE低于0.7%，Emax低于10%。本研究在与传统方法的实时推力衰减的比较中凸显了该方法的可行性和优势。
