摘要
随着新一轮科技革命和人工智能技术的深入发展，以数字化与智能化技术为核心，实现民机关键系统持续适航风险评估成为了航空公司和航空安全监管机构的重点。航空发动机具有结构复杂、故障耦合和状态非线性的特点，在事故发生前对航空发动机进行主动风险评估是一项严峻的挑战。论文针对目前基于数据驱动的航空发动机风险评估方法存在的问题，提出了三种基于深度学习方法的模型，实现航空发动机的风险评估。具体研究内容如下: (1)针对现有的中短航程(航时在5小时以内)深度学习航空发动机风险评估模型，目前存在特征提取能力不足、鲁棒性较低等问题，本文提出了一种基于时间嵌入层Time2Vec和多头注意力机制的混合深度神所带来的风险，本文使用飞机快速存取记录器(Quick Access Recorder,QAR)数据作为输入，风险等级和风险致因两组标签作为模型输出对模型进行训练与测试。对比结实验果表明，所提出的模型具有最高的识别精度与计算效率，且对于样本不平衡的数据具有最稳定的识别性能。 (2)针对长航程(航时在5小时以上经网络分类模型，用于航空发动机的主动风险评估。为了识别不同类型故障)的飞机QAR数据有高维度、结构复杂化和数据不平衡的特点。使用单个模型从整个数据集中提取特征并不能保证模型正确率，难以达到对航空发动机持续适航管理的要求。本文提出了一种基于时间序列图像化的集成ResNet-BiLSTM网络在航空发动机风险评估方法。该模型分别使用残差神经网络(ResNet)和双向长短期记忆网络(BiLSTM)来捕获空间相关性和时间依赖性。模型基于真实航空发动机QAR数据作为输入，并使用格拉姆角场(Gramian Angular Field，GAF)将时间序列转换为二维图像，以图像和时间序列两种形式分别输入ResNet和BiLSTM网络中进行特征提取。为使模型继承ResNet和BiLSTM网络的特征提取优点，提出一种模型融合策略对ResNet和BiLSTM网络的初识别结果进行融合，得到最终的识别结果。此外，本文引入卷积模块注意力机制(Convolutional Block Attention Module，CBAM)和注意力机制(Attention Mechanism)分别对ResNet和BiLSTM网络进行优化，使模型信息挖掘能力增强。 (3)航空发动机具有结构复杂、故障耦合和状态非线性的特点，同时受到采集手段、分析方法和异常数据限制等诸多因素的制约。通过运营QAR数据很难获得完全表征其运行状态的映射关系。因此，本文提出了一种基于深度数字孪生的航空发动机QAR数据降噪及预测方法，可用于航空发动机运行状态的风险评估阶段的数据预处理。首先，建立了航空发动机气路系统多尺度仿真的机构模型。结合深度学习方法的动态学习和自优化优势，构建了数据驱动的数据预测模型，并将两者融合，实现了航空发动机的深度数字孪生。然后，利用数字孪生模型对航空发动机运行过程中产生的高维监测数据进行仿真。最后，输入至一个一维卷积神经网络模型(1D-CNN)来分析模拟数据，从而评估航空发动机的风险状况。在航空发动机风险评估试验中，模型能够准确识别故障的发生，具有较高的评估精度和较高的工程应用价值。
NETL