机械工程学报 ›› 2026, Vol. 62 ›› Issue (18): 99-113.doi: 10.3901/JME.260820
• 特邀专栏:大模型驱动的高端装备智能运维 • 上一篇
吴豪1, 李锋1, 王永明1, 汤宝平2, 罗远航3, 田大庆1
WU Hao1, LI Feng1, WANG Yongming1, TANG Baoping2, LUO Yuanhang3, TIAN Daqing1
摘要: 航空发动机剩余使用寿命(Remaining useful life,RUL)预测的精度与可靠性直接关系到航空飞行器的飞行安全与运营成本。然而,现有的两类主流航空发动机RUL预测方法存在以下挑战:数据驱动的RUL预测方法虽具备良好拟合能力,但缺乏物理可解释性,预测结果常违背工程机理;基于物理方程的预测方法虽机理明确,却难以刻画复杂工况下的航空发动机非线性退化行为。以上挑战导致现有主流航空发动机RUL预测方法的预测精度不足、可靠性受限。为此,提出一种新型物理信息神经网络——龙卷风优化诺顿蠕变引导神经网络(Norton creep-informed neural network with TOC optimizer,TOC-NCINN)用于航空发动机RUL预测。在TOC-NCINN中,首先设计了新型多尺度特征提取网络以通过时序卷积与注意力机制来融合传感器信号的短期局部特征与长期依赖关系,以解决在长序列预测中感受野有限和历史信息遗忘的问题;其次,建立了基于诺顿蠕变方程的物理约束机制,通过该机制将材料蠕变本构关系以残差形式嵌入损失函数,以构建数据驱动与物理机理的双重监督网络,从而形成具有物理可解释性、鲁棒性和外推泛化性的NCINN框架;最后在NCINN中引入龙卷风优化器(Tornado optimizer with Coriolis force, TOC),实现对物理约束权重、学习率等超参数的自适应优化,从而提升NCINN的训练效率并进一步提高NCINN的泛化能力和RUL预测精度。采用公开数据集C-MAPSS开展的航空发动机RUL预测实验验证了所提出的基于TOC-NCINN的RUL预测方法的有效性和优越性。
中图分类号: