基于非线性关联挖掘的航空发动机气路故障诊断方法

doi:10.7527/S1000-6893.2026.33321

航空发动机智能控制与健康管理专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于非线性关联挖掘的航空发动机气路故障诊断方法

詹轲倚¹^,²^,³, 廖增步⁴(), 冷文龙¹^,², 潘一¹^,², 宋志平⁵^,⁶, 黄维娜¹^,²

^1.中国航发贵阳发动机设计研究所，贵阳 550081
^2.贵州省转子结构完整性重点实验室，贵阳 550081
^3.清华大学航空发动机研究院，北京 100089
^4.浙江大学航空航天学院，杭州 310007
^5.航空动力系统与等离子体技术全国重点实验室，西安 710049
^6.西安交通大学机械工程学院，西安 710049

收稿日期:2026-01-05 修回日期:2026-03-06 接受日期:2026-04-15 出版日期:2026-05-12 发布日期:2026-04-30
通讯作者: 廖增步 E-mail:Zengbu.Liao@zju.edu.cn
基金资助:
贵州省科技计划项目;中国航发集团自主创新基金(ZZCX-2024-0062)

Aero-engine gas path fault diagnosis method based on nonlinear correlation mining

Keyi ZHAN¹^,²^,³, Zengbu LIAO⁴(), Wenlong LENG¹^,², Yi PAN¹^,², Zhiping SONG⁵^,⁶, Weina HUANG¹^,²

^1.AECC Guiyang Engine Research Institute，Guiyang 550081，China
^2.Guizhou Province Key Laboratory of Rotor Structural Integrity，Guiyang 550081，China
^3.Institute for Aero Engine，Tsinghua University，Beijing 100089，China
^4.School of Aeronautics and Astronautics，Zhejiang University，Hangzhou 310007，China
^5.National Key Lab of Aerospace Power System and Plasma Technology，Xi’an 710049，China
^6.School of Mechanical Engineering，Xi’an Jiaotong University，Xi’an 710049，China

Received:2026-01-05 Revised:2026-03-06 Accepted:2026-04-15 Online:2026-05-12 Published:2026-04-30
Contact: Zengbu LIAO E-mail:Zengbu.Liao@zju.edu.cn
Supported by:
AECC Independent Innovation Fund(ZZCX-2024-0062);Guizhou Science and Technology Program

摘要/Abstract

摘要：

气路故障诊断是航空发动机健康管理系统的重要组成部分，其关键在于故障特征提取。近年来，随着深度学习技术的发展，基于图神经网络的气路故障特征提取方法受到广泛关注。然而，传统图神经网络只能提取节点之间的加权求和关系，而忽略了发动机气路系统中普遍存在的非线性耦合关系，导致跨工况诊断准确性和可解释性不足。为此，提出了一种基于非线性关联挖掘的气路故障诊断方法。该方法通过原创的非线性关联挖掘层和改进的图卷积层实现了气路故障特征的可解释提取。通过500架次全寿命期仿真数据对其性能进行了测试验证，所提方法全程未发生虚警，检测率为88.99%，隔离率为98.61%，在收敛性和诊断准确性等方面均显著优于卷积、图卷积、图注意力网络等对比方法。

关键词: 航空发动机, 气路故障诊断, 特征提取, 图神经网络, 可解释性

Abstract:

Gas path fault diagnosis is an essential component of aero-engine health management systems， with fault feature extraction being its key aspect. In recent years， with the advancement of deep learning techniques， gas path fault feature extraction methods based on graph neural networks have attracted considerable attention. However， conventional graph neural networks can only capture linear weighted aggregation relationships among nodes while neglecting the nonlinear coupling relationships prevalent in engine gas path systems， resulting in insufficient cross-condition diagnostic accuracy and interpretability. To address this issue， a gas path fault diagnosis method based on nonlinear correlation mining is proposed. This method achieves interpretable extraction of gas path fault features through an original nonlinear correlation mining layer and an improved graph convolutional layer. The performance of the proposed method was validated using full-lifecycle simulation data encompassing 500 flight sorties. The proposed method achieved zero false alarms throughout the entire operational period， with a detection rate of 88.99% and an isolation rate of 98.61%， significantly outperforming comparative methods based on convolutional， graph convolutional， and graph attention networks in terms of convergence and diagnostic accuracy.

Key words: aero-engine, gas path diagnosis, feature extraction, graph neural network, interpretability

中图分类号:

V263

詹轲倚, 廖增步, 冷文龙, 潘一, 宋志平, 黄维娜. 基于非线性关联挖掘的航空发动机气路故障诊断方法[J]. 航空学报, 2026, 47(15): 633321.

Keyi ZHAN, Zengbu LIAO, Wenlong LENG, Yi PAN, Zhiping SONG, Weina HUANG. Aero-engine gas path fault diagnosis method based on nonlinear correlation mining[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(15): 633321.

图/表 22

表1

图 1

图 2

图 3

表2

表3

表4

表5

表6

图 4

表7

表8

表9

图 5

图 6

图 7

表10

图 8

表11

表12

表13

图 9

参考文献 34

[1]	黄维娜，黎方娟，祁宏斌. 航空发动机数字工程初步研究与发展思考［J］. 航空学报， 2024， 45（5）： 529693.
	HUANG W N， LI F J， QI H B. Preliminary investigation and thoughts on aero-engine digital engineering development［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（5）： 529693 （in Chinese）.
[2]	MEHER-HOMJI C B， CHAKER M， BROMLEY A F. The fouling of axial flow compressors： Causes， effects， susceptibility， and sensitivity［C］∥ASME Turbo Expo 2009： Power for Land， Sea， and Air. New York： ASME， 2009： 571-590.
[3]	GANNAN A. Cascade testing and CFD applied to gas turbine performance improvement with compressor cleaning［D］. Bedford： Cranfield University， 2010： 57.
[4]	METWALLY M， TABAKOFF W， HAMED A. Blade erosion in automotive gas turbine engine［J］. Journal of Engineering for Gas Turbines and Power， 1995， 117（1）： 213-219.
[5]	EJAZ N， QURESHI IN， RIZVI SA. Creep failure of low pressure turbine blade of an aircraft engine［J］. Engineering Failure Analysis， 2011，18（6）：1407-1414.
[6]	IATA. Maintenance costs for aging aircraft［M］. Montreal： International Air Transport Association， 2018.
[7]	LAPESA BARRERA D. AMP content and maintenance planning document （MPD）［M］∥Aircraft Maintenance Programs. Cham： Springer International Publishing， 2022：33-46.
[8]	廖增步，张瑞，耿佳，等. 小涵道比涡扇发动机机载气路故障诊断研究综述：边界条件与研究难点［J］. 推进技术， 2024， 45（12）： 24-40.
	LIAO Z B， ZHANG R， GENG J， et al. A review on onboard gas-path fault diagnosis for low bypass ratio turbofan engines： Boundaries and challenges［J］. Journal of Propulsion Technology， 2024， 45（12）： 24-40 （in Chinese）.
[9]	URBAN L A. Gas path analysis applied to turbine engine condition monitoring［J］. Journal of Aircraft， 1973， 10（7）： 400-406.
[10]	LUPPOLD R， ROMAN J， GALLOPS G， et al. Estimating in-flight engine performance variations using Kalman filter concepts［C］∥ 25th Joint Propulsion Conference. Reston： AIAA， 1989.
[11]	李国庆. 人工智能方法在航空发动机故障诊断中的应用研究［D］. 沈阳：沈阳航空航天大学， 2019： 2.
	LI G Q. Application research of artificial intelligence methods in aero-engine fault diagnosis［D］. Shenyang： Shenyang Aerospace University， 2019： 2 （in Chinese）.
[12]	吴超，陈磊，刘渊，等. 基于特征优化和支持向量机的航空发动机气路故障诊断［J］. 航空发动机， 2024， 50（4）： 30-37.
	WU C， CHEN L， LIU Y， et al. Aeroengine gas-path fault diagnosis based on feature optimization and support vector machine［J］. Aeroengine， 2024， 50（4）： 30-37 （in Chinese）.
[13]	ZHONG S S， FU S， LIN L. A novel gas turbine fault diagnosis method based on transfer learning with CNN［J］. Measurement， 2019， 137： 435-453.
[14]	XU C Y， GUI X C， ZHAO Y. Digital twin-assisted multiview reconstruction enhanced domain adaptation graph networks for aero-engine gas path fault diagnosis. IEEE Sensors Journal， 2024， 24（13）：21694-21705.
[15]	曹力昂，于博升，张会生. 基于层次自适应特征提取的航空发动机气路故障诊断［J/OL］. 上海交通大学学报，（2025-04-29）［2025-12-20］. .
	CAO L A， YU B S， ZHANG H S. Hierarchical adaptive feature extraction-based gas path fault diagnosis for aero-engine［J/OL］. Journal of Shanghai Jiao Tong University，（2025-04-29）［2025-12-20］. （in Chinese）.
[16]	张世杰，胡家文，苗国磊. 基于工况识别与自训练时空图卷积的航空发动机气路故障诊断［J］. 推进技术， 2024， 45（11）： 251-260.
	ZHANG S J， HU J W， MIAO G L. Fault diagnosis of aero-engine gas path based on condition recognition and self-training ST-GCN model［J］. Journal of Propulsion Technology， 2024， 45（11）： 251-260 （in Chinese）.
[17]	BAO P， YI W， ZHU Y， et al. STHFD： Spatial-temporal hypergraph-based model for aero-engine bearing fault diagnosis［J］. Aerospace， 2025， 12（7）： 612.
[18]	SHAH B， SARVAJITH M， SANKAR B， et al. Multi-auto associative neural network based sensor validation and estimation for aero-engine［C］∥2013 IEEE AUTOTESTCON. Piscataway： IEEE， 2013： 1-7.
[19]	LI T， ZHAO Z， SUN C， et al. Hierarchical attention graph convolutional network to fuse multi-sensor signals for remaining useful life prediction［J］. Reliability Engineering & System Safety， 2021， 215： 107878.
[20]	XU C Y， GUI X C， HUO M X. Domain adversarial enhanced multi-channel graph networks for aeroengine gas path fault diagnosis［C］∥IECON 2023-49th Annual Conference of the IEEE Industrial Electronics Society. Piscataway： IEEE， 2023： 1-6.
[21]	GOYAL V. Anomaly detection and failure prediction in gas turbines［D］. Orlando： University of Central Florida， 2021： 14.
[22]	HUANG Y F， TAO J， ZHAO J Y， et al. Graph structure embedded with physical constraints-based information fusion network for interpretable fault diagnosis of aero-engine［J］. Energy， 2023， 283：129120.
[23]	ZHANG S M， SONG P Y， ZHAO C H. Multi-conditional adjacency learning and grouping method for monitoring gas turbine generation process with nonstationarity［C］∥2023 China Automation Congress （CAC）. Piscataway： IEEE， 2024.
[24]	CHENG K R， ZHANG K Y， WANG Y Z， et al. Research on gas turbine health assessment method based on physical prior knowledge and spatial-temporal graph neural network［J］. Applied Energy， 2024， 367： 123419.
[25]	CHEN Y， LIANG C， LIU D， et al. Embedding-graph neural-network for transient NO _x emissions prediction［J］. Energies， 2023， 16（1）： 3.
[26]	WANG Z， FU X， ZHANG R， et al. Knowledge and data jointly driven aeroengine gas path performance assessment method［J］. Chinese Journal of Aeronautics， 2024， 37（5）： 533-557.
[27]	LU F， LI Z， HUANG J， et al. Hybrid state estimation for aircraft engine anomaly detection and fault accommodation［J］. AIAA Journal， 2020， 58 （4）： 1748-1762.
[28]	YANG K， TU Q， ZENG Y， et al. Parameter selection for aeroengine transient state gas path analysis［J］. Journal of the Global Power and Propulsion Society， 2022， 6： 61-73.
[29]	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks［C］∥6th International Conference on Learning Representations. 2018.
[30]	匡育衡，王正宁，王正，等. 基于双注意力时空图卷积神经网络的4D轨迹预测方法［J］. 电子科技大学学报， 2025， 54（5）： 641-651.
	KUANG Y H， WANG Z N， WANG Z， et al. 4D trajectory prediction based on dual-attention spatiotemporal graph convolutional neural network［J］. Journal of University of Electronic Science and Technology of China， 2025， 54（5）： 641-651 （in Chinese）.
[31]	JIANG K， ZENG H， WU Z， et al. Study on the effect of parameter sensitivity on engine optimization results［J］. Energies， 2023， 16（23）： 7899.
[32]	LIAO Z B， WANG J， LIU J X， et al. Uncertainties in gas path diagnosis of gas turbines： Representation and impact analysis［J］. Aerospace Science and Technology， 2021， 113： 106724.
[33]	SALLEE G P. Performance deterioration based on existing （historical） data； JT9D jet engine diagnostics program： NASA-CR-135448［R］. Washington， D.C.： NASA， 1978.
[34]	LIAO Z B， ZHAN K Y， ZHAO H， et al. Addressing class imbalanced learning in real-time aero-engine gas-path fault diagnosis via feature filtering and mapping［J］.Reliability Engineering & System Safety， 2024， 249： 110189.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

序号	参数名称	变量符号
1	风扇转速	N₁
2	压气机转速	N₂
3	环境静压	P₀
4	风扇进口总温	T_t2
5	风扇进口总压	P_t2
6	压气机进口总温	T_t25
7	压气机进口总压	P_t25
8	压气机出口静压	P_s31
9	低压涡轮出口总温	T_t6
10	低压涡轮出口总压	P_t6
11	风扇导叶角度	α₁
12	压气机导叶角度	α₂
13	主燃油流量	W_f
14	加力燃油流量	W_fa
15	喷口面积	A₈

仿真条件	训练集	测试集1	测试集2
故障注入	起动时注入，固定		动态注入
架次数	170	50	500
载荷谱	1~10	1~10	11~20
个体差异	无	无	表3
性能衰退	无	无	图4
传感器噪声	3项	3项	4项
故障模式	表4	表5	表4+表5

序号	表征参数	数值/‰
1	风扇效率特性差异系数	-0.007
2	风扇流量特性差异系数	1.840
3	压气机效率特性差异系数	-1.349
4	压气机流量特性差异系数	-1.524
5	燃烧室总压损失差异系数	-1.105
6	高压涡轮效率特性差异系数	-0.638
7	高压涡轮临界面积差异系数	0.845
8	低压涡轮效率特性差异系数	0.034
9	低压涡轮临界面积差异系数	1.022
10	涡轮出口面积差异系数	-0.896
11	外涵道出口面积差异系数	0.723
12	尾喷管临界面积差异系数	0.623

序号	故障部件	效率拉偏/%	流量拉偏/%	拉偏比值
1	风扇	-3.31	-6.62	0.5
2		-4.04	-5.05	0.8
3		-3.93	-3.14	1.25
4		-4.09	-2.04	2.0
5	压气机	-2.23	-4.45	0.5
6		-3.45	-4.32	0.8
7		-3.61	-2.89	1.25
8		-3.55	-1.77	2.0
9	高压涡轮	-1.40	2.80	0.5
10		-1.70	2.12	0.8
11		1.94	-1.55	1.25
12		-2.13	1.06	2.0
13	低压涡轮	-0.77	1.53	0.5
14		-1.17	1.46	0.8
15		-1.71	1.37	1.25
16		-2.49	1.24	2.0

序号	故障部件	效率拉偏/%	流量拉偏/%	拉偏比值
1	风扇	-3.97	-3.97	1.0
2	压气机	-3.57	-3.57	1.0
3	高压涡轮	-1.82	1.82	1.0
4	低压涡轮	-1.42	1.42	1.0

基于非线性关联挖掘的航空发动机气路故障诊断方法

Aero-engine gas path fault diagnosis method based on nonlinear correlation mining

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 22

参考文献 34

相关文章 15

编辑推荐

Metrics

本文评价

故障轮次	故障部件	拉偏比值	起止架次
1	风扇	0.5	61~65
2	压气机	0.5	71~75
3	高压涡轮	0.5	81~85
4	低压涡轮	0.5	91~95
5	风扇	0.8	121~125
6	压气机	0.8	146~150
7	高压涡轮	0.8	166~170
8	低压涡轮	0.8	186~190
9	风扇	1.0	221~225
10	压气机	1.0	241~245
11	高压涡轮	1.0	261~265
12	低压涡轮	1.0	281~285
13	风扇	1.25	326~330
14	压气机	1.25	346~350
15	高压涡轮	1.25	366~370
16	低压涡轮	1.25	386~390
17	风扇	2.0	421~425
18	压气机	2.0	441~445
19	高压涡轮	2.0	461~465
20	低压涡轮	2.0	481~485

气路部件	衰退量/%
气路部件	效率特性	流量特性
风扇	-0.852	-1.159
压气机	-0.829	-1.181
高压涡轮	-1.494	+1.000
低压涡轮	-0.307	+0.148

序号	网络层	激活值尺寸
1	输入	10×10
2	卷积层+线性整流	10×10×10
3	卷积层+线性整流	10×10×10
4	滤波器响应归一化层	10×10×10
5	池化层	10×5×5
6	全连接层	50×1
7	随机失活层	50×1
8	全连接层	5×1

序号	参数名称	变量符号
1	换算主燃油流量	W_fcor
2	加力燃油流量	W_fa
3	喷口面积	A₈
4	风扇换算转速	N_1cor
5	压气机换算转速	N_2cor
6	压气机进口换算总温	T_t25cor
7	压气机进口换算总压	P_t25cor
8	压气机出口换算静压	P_s31cor
9	低压涡轮出口换算总温	T_t6cor
10	低压涡轮出口换算总压	P_t6cor

算法	CNN	GAT	GCN	本文方法
检测率/%	99.43	98.86	99.37	99.62
隔离率/%	99.49	99.28	99.45	99.81
虚警率/%	0.19	0.23	0.10	0.06

序号	网络层	激活尺寸
1	输入	1×8×10
2	卷积层+线性整流	10×8×10
3	卷积层+线性整流	10×8×10
4	池化层	10×4×5
5	全连接层+线性整流	200×1
6	全连接层+维度重构	2×10×5×5

算法	CNN	GCNA	GAT	本文方法
检测率/%	84.71	77.87	86.06	88.99
隔离率/%	98.75	92.82	96.89	98.61
虚警次数	1	0	0	0

[1]	耿航, 伍圯煊, 苟轩, 李新建, 陈凯. 基于空天无人平台信息的伪装目标智能检测[J]. 航空学报, 2026, 47(S1): 732819-732819.
[2]	刘宇衡, 杨力, 黄琦龙. 基于可解释分层强化学习的防空反导策略优化[J]. 航空学报, 2026, 47(8): 332786-332786.
[3]	张海灯, 吴云, 田应维, 唐楠, 左越仁. 旋流/总压组合畸变试验评定研究进展与展望[J]. 航空学报, 2026, 47(7): 632790-632790.
[4]	熊威, 张栋, 杨书恒, 任智, 刘文逸. 面向智能空战有人/无人机协同可解释方法[J]. 航空学报, 2026, 47(7): 332547-332547.
[5]	王栋欢, 金海, 万东凯, 王军, 肖洪. 基于性能数字孪生的航空发动机性能衰退实时监测与评估方法[J]. 航空学报, 2026, 47(5): 132459-132459.
[6]	郎荣玲, 魏才伦, 范亚, 高飞. 基于稀疏点匹配的协同式未知目标跟踪方法[J]. 航空学报, 2026, 47(3): 632425-632425.
[7]	柏兆龙, 刘晓锋. 面向曲面光滑的部件特性修正改进下赶法[J]. 航空学报, 2026, 47(15): 632797-632797.
[8]	张翔欣, 吕福慧, 邹毅, 黄向华. 基于向导优化算法的航空发动机部件退化评估[J]. 航空学报, 2026, 47(15): 633304-633304.
[9]	张耕, 肖丽君, 钟明, 宿丕强, 赖小皇. 基于功率谱互相关的旋转失速预测算法[J]. 航空学报, 2026, 47(15): 633320-633320.
[10]	刘宇阳, 代欣波, 王强, 易贤. 热气冲击射流换热特性与防冰效果[J]. 航空学报, 2026, 47(12): 132653-132653.
[11]	田伟, 刘砚飞, 张少平, 张汪洋, 张东哲, 郭会明, 李祚军. 点阵材料在航空发动机中的研究进展与应用[J]. 航空学报, 2026, 47(11): 432073-432073.
[12]	张丽芬, 陈启曦, 王恺, 吕亚国, 刘振侠. 定向流喷嘴旋流增强器对发动机唇口换热的影响[J]. 航空学报, 2026, 47(11): 633024-633024.
[13]	易贤, 周靓, 马乙楗, 李云单, 陈宁立, 杨倩. 航空发动机结冰及其防护方法研究进展[J]. 航空学报, 2026, 47(11): 633383-633383.
[14]	陈雪骑, 张作相, 王东, 马艳红, 洪杰. 中介轴承-支承结构载荷及其对结构完整性影响[J]. 航空学报, 2026, 47(1): 232061-232061.
[15]	姚斡维, 刘高文, 陈燕, 孔晓治, 林阿强. 高性能涡轮低位预旋供气系统正向设计[J]. 航空学报, 2025, 46(7): 130832-130832.