一种基于物理信息构图的航空发动机寿命预测方法及系统

本发明涉及航空发动机运行监控，具体为一种基于物理信息构图的航空发动机寿命预测方法及系统。

背景技术：

1、航空发动机剩余使用寿命预测是航空装备维护管理的关键环节，通过分析发动机运行过程中的多源传感器监测数据，评估其性能退化状态并预测剩余寿命，能够为设备的视情维修提供数据支撑，从而降低维护成本并保障运行安全。

2、目前主流的寿命预测方法主要依赖纯数据驱动的深度学习模型，直接从传感器监测数据中提取时序退化特征，这类方法在计算过程中通常未能结合发动机内部各部件之间的气动热力学规律，导致模型的特征提取过程缺乏物理意义指导，预测结果会偏离实际的物理约束，在复杂运行工况下的泛化能力受到限制，为了处理多通道传感器数据之间的空间关联，部分研究将图神经网络应用于寿命预测模型中，但是，现有的图构建机制普遍采用静态的图网络结构，在整个数据序列的预测周期内，节点间的连接关系和权重配置保持固定，在航空发动机全寿命周期的性能退化过程中，各部件及传感器节点间的数据依赖关系处于动态演化状态，固定的静态图结构无法准确表征随着退化程度加深而发生变化的拓扑演变过程。

3、此外，现有模型在进行时空特征融合与计算时，往往对所有的传感器节点特征进行直接拼接或平均处理，这种处理方式未能结合节点在历史时间步的状态来剔除冗余数据，也没有依据传感器在真实物理结构中的连通重要性对特征权重进行差异化分配，这就导致长期处于非关键退化状态的节点信息被持续引入网络，产生计算噪声，影响最终剩余使用寿命预测的准确度与稳定性。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于物理信息构图的航空发动机寿命预测方法及系统，解决了现有预测模型脱离物理约束且采用静态图结构，无法表征退化过程的动态拓扑演变而导致预测精度低的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、本发明第一方面提供一种基于物理信息构图的航空发动机寿命预测方法，所述方法配置在计算设备中执行，所述计算设备包括处理器和存储器，所述方法包括以下步骤：

4、s100，获取航空发动机的多源监测数据并进行预处理，生成时空特征矩阵与全局物理索引注册表；

5、s200，基于航空发动机的气动热力学约束和多源监测数据的时序相关性，分别构建物理强关联矩阵与数据弱关联矩阵，并融合生成初始空间图权重矩阵；

6、s300，对时空特征矩阵进行时间特征提取生成时间域综合特征向量，基于时间域综合特征向量计算动态演化因子，以对初始空间图权重矩阵和物理强关联矩阵进行加权，生成演化图权重矩阵；

7、s400，基于演化图权重矩阵执行节点降维筛选，输出空间离散节点特征矩阵及记录保留节点标识的存活索引集合，并基于节点历史丢弃状态对图结构执行反向修剪；

8、s500，依据存活索引集合从物理强关联矩阵中提取物理子图矩阵以生成物理掩码向量，将时间域综合特征向量与空间离散节点特征矩阵进行特征对齐，并结合物理掩码向量进行特征融合，基于融合结果输出剩余使用寿命预测结果。

9、进一步的，在基于航空发动机的气动热力学约束和多源监测数据的时序相关性，分别构建物理强关联矩阵与数据弱关联矩阵，并融合生成初始空间图权重矩阵的步骤中，具体包括：依据预设的航空发动机部件连接关系与流体传递路径，提取传感器节点间的依赖关系以构建二值化的物理强关联矩阵；利用灰色关联分析算法计算时间窗口内各个传感器通道数据切片之间的灰色关联系数，生成数据弱关联矩阵；建立与物理强关联矩阵维度一致的结构系数矩阵，若物理强关联矩阵对应位置存在物理连接，则在结构系数矩阵中配置保留数值；若不存在物理连接但数据弱关联矩阵中的关联系数大于预设判定阈值，则同样在结构系数矩阵中配置保留数值；执行数据弱关联矩阵与结构系数矩阵的哈达玛乘积运算，生成初始空间图权重矩阵。

10、通过上述步骤，在保留发动机部件间固有物理连接的基础上，引入多源数据间的时序关联关系，建立结合物理先验信息与数据特征的空间图拓扑结构。

11、进一步的，在对时空特征矩阵进行时间特征提取生成时间域综合特征向量，基于时间域综合特征向量计算动态演化因子，以对初始空间图权重矩阵和物理强关联矩阵进行加权，生成演化图权重矩阵的步骤中，具体包括：将时空特征矩阵输入长短期记忆网络层计算隐藏状态序列，利用注意力机制提取上下文特征向量，并将最终隐藏状态向量与上下文特征向量进行拼接，生成时间域综合特征向量；将时间域综合特征向量输入全连接调制层执行线性映射与非线性激活，计算输出标量形式的动态演化因子；将动态演化因子作为权重系数乘入初始空间图权重矩阵，并将一减去动态演化因子的差值作为权重系数乘入物理强关联矩阵，将两者的乘积结果相加，生成演化图权重矩阵。

12、通过利用时间域综合特征向量计算动态演化因子，能够根据运行阶段的变化调节空间图拓扑中物理关联与数据关联的权重比例，使拓扑结构适应发动机不同退化阶段的数据分布。

13、进一步的，在基于演化图权重矩阵执行节点降维筛选，输出空间离散节点特征矩阵及记录保留节点标识的存活索引集合的步骤中，具体包括：将演化图权重矩阵与由时空特征矩阵映射得到的空间节点特征矩阵输入自注意力图池化层，计算各节点的一维保留分数向量；依据预设的池化比率参数计算目标保留节点数量，利用排序算子对一维保留分数向量进行降序排列，提取保留节点的相对位置索引数组；依据相对位置索引数组从空间节点特征矩阵中截取对应行，输出降维后的空间离散节点特征矩阵；将相对位置索引数组作为检索指针，在全局物理索引注册表中提取对应的原始标识数值，生成存活索引集合，且使存活索引集合的元素顺序与空间离散节点特征矩阵的行顺序保持一致。

14、上述步骤中，通过建立全局物理索引注册表与降维后节点相对位置的映射对应，用于在空间节点执行池化筛选后追溯其原始对应的传感器物理通道。

15、进一步的，在基于节点历史丢弃状态对图结构执行反向修剪的步骤中，具体包括：在系统内部初始化分配节点状态累加器，当节点未被包含在当前时间步的存活索引集合中时，将在累加器中的计数值累加，若节点被包含在存活索引集合中则计数值清零；当节点的累计计数值达到连续丢弃周期阈值时，将节点的标识数值封装为修剪指令；依据修剪指令定位至结构系数矩阵中对应的行和列，对满足无物理强关联且由数据弱关联关系形成的结构系数矩阵元素执行置零操作，而物理强关联矩阵中存在连接的对应结构系数矩阵元素保持不变。

16、通过累计节点的连续丢弃次数，将不满足物理连接且数据关联系数弱的对应结构系数矩阵元素置零，并保留具备真实物理连接的元素数值，从而降低图网络计算维度与冗余特征干扰。

17、进一步的，在依据存活索引集合从物理强关联矩阵中提取物理子图矩阵以生成物理掩码向量的步骤中，具体包括：以存活索引集合中包含的标识数值作为位置指针，从全局的物理强关联矩阵中同步提取对应的行与列，生成降维的物理子图矩阵；对物理子图矩阵按列方向执行求和运算，获取包含各存活节点被依赖次数的物理连通度向量；基于物理连通度向量中的数值、预设的干预参数以及平滑参数，为各节点分配增益参数，生成一维物理掩码向量作为物理掩码向量。

18、上述步骤通过计算各存活节点在子图中的被依赖次数获取物理连通度，用于量化不同节点在整体物理结构中的影响权重。

19、进一步的，在将时间域综合特征向量与空间离散节点特征矩阵进行特征对齐，并结合物理掩码向量进行特征融合的步骤中，具体包括：将时间域综合特征向量通过线性映射生成查询矩阵，将空间离散节点特征矩阵通过线性映射分别生成键矩阵与值矩阵；计算查询矩阵与键矩阵之间的点积注意力得分矩阵，将一维物理掩码向量转置后作为后验增益参数乘入点积注意力得分矩阵；对掩码处理后的注意力结果执行归一化处理，并与值矩阵相乘，输出受物理结构约束的跨域融合特征向量，作为融合结果。

20、通过将物理掩码向量引入跨域注意力计算过程，在时空特征融合阶段提高高连通度物理节点的特征表达权重。

21、进一步的，在获取航空发动机的多源监测数据并进行预处理，生成时空特征矩阵与全局物理索引注册表的步骤中，具体包括：获取包含表征航空发动机物理性能状态特征参量的多维度传感器数据序列；对传感器数据序列应用最大最小归一化算法以消除不同传感器数据间的量纲差异，配置固定的时间窗口长度与滑动步长，对归一化后的数据序列进行滑动截取，输出时间步对应的时空特征矩阵；提取参与运算的全部传感器通道节点，按照矩阵数据输入的固定通道顺序为各节点分配自然数形式的标识数值，建立包含全部通道标识的全局物理索引注册表。

22、通过数据归一化与滑动窗口截取，为后续模型运算提供统一维度的标准时空数据格式。

23、进一步的，节点状态累加器与结构系数矩阵的复位机制包括：在模型的离线训练阶段，针对每一发动机样本序列分别初始化节点状态累加器和结构系数矩阵；在同一发动机样本序列的连续时间窗口内，节点状态累加器按照时间顺序更新，结构系数矩阵根据修剪指令进行调整；当切换至另一发动机样本序列时，节点状态累加器清零，结构系数矩阵恢复至初始配置；在模型的在线推理阶段，针对当前待预测发动机单独初始化节点状态累加器和结构系数矩阵，并在待预测发动机的连续运行数据窗口内持续更新。

24、上述机制针对离线训练与在线推理阶段分别制定节点状态累加器与结构系数矩阵的复位规则，防止不同发动机样本的时间序列数据产生相互干扰。

25、本发明第二方面提供一种基于物理信息构图的航空发动机寿命预测系统，使用上述第一方面提供的基于物理信息构图的航空发动机寿命预测方法，所述系统包括：

26、数据预处理模块，用于获取航空发动机的多源监测数据并进行预处理，生成时空特征矩阵与全局物理索引注册表；

27、构图模块，用于基于航空发动机的气动热力学约束和多源监测数据的时序相关性，分别构建物理强关联矩阵与数据弱关联矩阵，并融合生成初始空间图权重矩阵；

28、特征提取与拓扑演化模块，用于对时空特征矩阵进行时间特征提取生成时间域综合特征向量，基于时间域综合特征向量计算动态演化因子，以对初始空间图权重矩阵和物理强关联矩阵进行加权，生成演化图权重矩阵；

29、图特征提取与修剪模块，用于基于演化图权重矩阵执行节点降维筛选，输出空间离散节点特征矩阵及记录保留节点标识的存活索引集合，并基于节点历史丢弃状态对图结构执行反向修剪；

30、特征融合与预测模块，用于依据存活索引集合从物理强关联矩阵中提取物理子图矩阵以生成物理掩码向量，将时间域综合特征向量与空间离散节点特征矩阵进行特征对齐，并结合物理掩码向量进行特征融合，基于融合结果输出剩余使用寿命预测结果。

31、本发明提供了一种基于物理信息构图的航空发动机寿命预测方法及系统。具备以下有益效果：

32、1、本发明通过构建物理强关联矩阵与数据弱关联矩阵并进行融合，结合时间域综合特征向量计算动态演化因子来调节两者的权重比例，该技术特征使得空间图拓扑结构能够根据发动机不同退化阶段的数据分布进行动态调整，克服现有静态图网络无法表征节点间数据依赖关系拓扑演变的问题，提高寿命预测模型对发动机全寿命周期性能退化过程的适应能力。

33、2、本发明设计基于节点历史丢弃状态的图结构反向修剪机制。通过节点状态累加器记录节点的连续丢弃次数，对无物理强关联且由数据弱关联关系形成的结构系数矩阵元素执行置零操作，该特征在保留发动机固有物理连接的前提下，去除长期处于非关键退化状态的节点连线，降低图网络的计算维度，同时减少冗余特征引入的计算噪声，提升模型预测结果的稳定性。

34、3、本发明依据存活节点的物理子图计算物理连通度生成一维物理掩码向量，并将其作为后验增益参数乘入时间与空间跨域注意力得分矩阵中，此技术特征使得模型在进行时空特征融合时，能够直接依据节点在真实物理结构中的依赖次数调整特征表达权重，使最终输出的综合融合特征更加符合发动机内部气动热力学规律，从而提升剩余使用寿命预测的准确度。