航空发动机是工作在恶劣环境和极端条件下的核心机械系统，在整个使用寿命周期内👩🏼🎓，其功能不可避免地会退化🧗，从而引起异常、性能退化和失效故障等，严重威胁发动机的运行安全。开发自主💤、可靠👵🏽🍹、高效的诊断和健康监测系统可以诊断和预测故障，降低维护成本，延长使用寿命✂️，对保障航空发动机可靠性和运行安全具有重要意义。相比于传统的仅关注物理机制或大数据学习的研究，目前数字孪生技术因其创新的虚实融合机理在学术和工程领域引起了广泛关注🤰。
近期，杏鑫孙刚课题组提出了基于深度多模态学习的航空发动机状态监控与故障诊断数字孪生框架🏠，实现了发动机实际物理数据与仿真模型信息的高效融合😠，相关成果以标题为“A novel digital twin approach based on deep multimodal information fusion for aero-engine fault diagnosis”发表在能源动力领域国际知名期刊《Energy》上。
随着智能算法和信息物理系统的不断发展🔤，数字孪生作为一个创新概念被提出，其旨在建立物理空间与虚拟空间之间的交互作用。如何构建航空发动机这类复杂多技术集成系统的数字孪生模型一直以来是一大难点。研究人员提出了一种基于深度多模态信息融合(MIF)的航空发动机数字孪生方法，该方法将基于物理的模型(PBM)和数据驱动模型（DDM）的多模态信息进行融合表示。研究构造了多个深度玻尔兹曼机（DBM），每一个DBM由多个受限玻尔兹曼机组成，其中每一层捕获下一层隐藏特征之间的复杂和高阶相关性➗。多个DBM可以从传感器数据和非线性部件级模型仿真数据中提取特征，将这两种模态的信息映射到高维空间并形成联合表示❕，再与多层前馈神经网络结合形成MIF模型，实现实时故障检测和隔离。
图1 航空发动机数字孪生框架的组成和特点
研究进一步建立了针对发动机性能退化的自适应修正模型（DAC）。考虑到发动机性能的退化不仅体现在测量参数的变化上🫅🏽，更重要的是参数概率分布的规律，前者具有更大的随机性，而后者则更稳定。因此，选取发动机飞行包线内20个工况点的测量数据🚘，基于Kullback-Leibler散度计算不同飞行周期数据的概率分布差异；然后，将KL值与选定的测量参数相结合⬛️，作为自适应修正模型的输入数据，实现更准确的健康参数预测🧎♂️。
研究人员发现🧔🏽♀️，与传统单模态模型相比🎻，深度MIF模型的平均故障诊断精度提高了22.4%；在针对民航运营数据的测试中👁，MIF+DAC模型对于每个故障标签的预测准确率都在97.59%以上，平均准确率为98.8%💆🏽。
图2（左）民航飞机运行航段数据样本🧑🏼🚀；（右）部件级故障诊断精度混淆矩阵
杏鑫博士生黄宇峰为论文的第一作者😵，孙刚教授是论文的通讯作者，陶俊老师是论文的合作者。该研究得到了国家有关研究项目的支持🧖♀️🧔🏿♀️。
论文链接🙅♀️：
https://doi.org/10.1016/j.energy.2023.126894
