基于机理增强条件生成对抗的民机运行可靠性评估方法

doi:10.7527/S1000-6893.2025.32483

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于机理增强条件生成对抗的民机运行可靠性评估方法

冯蕴雯¹^,², 刘晚移¹^,²(), 柯倩云³, 路成¹^,², 王锐¹^,²

^1.西北工业大学航空学院，西安 710072
^2.飞行器基础布局全国重点实验室，西安 710072
^3.中国商飞上海飞机客户服务有限公司技术出版物部，上海 201100

收稿日期:2025-06-27 修回日期:2025-07-31 接受日期:2025-08-20 出版日期:2025-08-29 发布日期:2025-08-28
通讯作者: 刘晚移 E-mail:liuwanyi@mail.nwpu.edu.cn
基金资助:
上海民用飞机健康监控工程技术研究中心基金(GCZX-2024-02)

Operational reliability evaluation method for civil aircraft based on mechanism-enhanced conditional generative adversarial

Yunwen FENG¹^,², Wanyi LIU¹^,²(), Qianyun KE³, Cheng LU¹^,², Rui WANG¹^,²

^1.School of Aeronautics，Northwestern Polytechnical University，Xi’an 710072，China
^2.National Key Laboratory of Aircraft Configuration Design，Xi’an 710072，China
^3.Technical Publications Department，COMAC Shanghai Aircraft Customer Service Co. ，Ltd. ，Shanghai 201100，China

Received:2025-06-27 Revised:2025-07-31 Accepted:2025-08-20 Online:2025-08-29 Published:2025-08-28
Contact: Wanyi LIU E-mail:liuwanyi@mail.nwpu.edu.cn
Supported by:
Fund of Shanghai Engineering Research Center of Civil Aircraft Health Monitoring(GCZX-2024-02)

摘要/Abstract

摘要：

针对民用飞机失效样本不足和运行可靠性建模困难问题，结合系统失效机理与条件生成对抗网络提出了基于机理增强条件生成对抗（ME-CGAN）的民机运行可靠性评估方法。在ME-CGAN方法中，采用条件生成对抗网络（CGAN）生成运行数据失效样本；通过系统失效机理分析建立故障逻辑图，将故障关联至快速存取记录器（QAR）的监测参数，并采用多层感知机（MLP）建立运行数据的逻辑检验模型；将逻辑检验模型置于CGAN判别器后方，利用故障逻辑对网络生成样本开展异常检验验证，同时检验模型也为网络超参数优化提供了新的反向传播机制。ME-CGAN方法通过起落架手柄不在指定位置和1号电动泵失效2个案例说明了其工程适用性；并通过多种数学方法对比说明了ME-CGAN方法的建模与仿真性能。结果表明，ME-CGAN方法具有较优的失效样本生成效率，能有效提高民用飞机的运行可靠性建模和分析精度。

关键词: 民用飞机, 故障逻辑图, 失效机理, 条件生成对抗网络, 运行可靠性

Abstract:

To address the scarcity of abnormal samples and the challenges in operational reliability modeling for civil aircraft， this paper proposes an operational reliability assessment method based on a Mechanism-Enhanced Conditional Generative Adversarial Network （ME-CGAN）. Within the ME-CGAN framework， CGAN is employed to generate failure data samples. System failure mechanisms are analyzed to construct a fault logic diagram， which associates faults with Quick Access Recorder （QAR） parameters. A Multi-Layer Perceptron （MLP） is then utilized to establish a logical verification model for operational data. This logical verification model is placed after the CGAN discriminator to perform anomaly validation on the generated samples using fault logic， while also providing a new backpropagation mechanism for network hyperparameter optimization. The engineering applicability of the ME-CGAN method is demonstrated through two case studies involving the LG lever disagreement and HYD 1 ACMP failure. Moreover， the modeling and simulation performance of the ME-CGAN method is evaluated through comparisons with various mathematical approaches. Experimental results indicate that the ME-CGAN method achieves high efficiency in generating failure samples and can effectively enhance the accuracy of operational reliability modeling and solution processes for civil aircraft.

Key words: civil aircraft, fault logic graph, failure mechanism, conditional generative adversarial network, operational reliability

中图分类号:

V240.2

冯蕴雯, 刘晚移, 柯倩云, 路成, 王锐. 基于机理增强条件生成对抗的民机运行可靠性评估方法[J]. 航空学报, 2026, 47(6): 232483.

Yunwen FENG, Wanyi LIU, Qianyun KE, Cheng LU, Rui WANG. Operational reliability evaluation method for civil aircraft based on mechanism-enhanced conditional generative adversarial[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(6): 232483.

图/表 27

图 1

图 2

图 3

图 4

图 5

图 6

图 7

表1

表2

图 8

图 9

图 10

表 3

图 11

图 12

图 13

表4

图 14

表 5

图 15

表6

图 16

表7

图 17

图 18

图 19

表8

参考文献 29

[1]	陈保家，邱光银，肖文荣，等. 航空发动机转子轴承运行可靠性评估方法［J］. 西安交通大学学报， 2018， 52（10）： 41-48.
	CHEN B J， QIU G Y， XIAO W R， et al. An evaluation method of operational reliability for aero-engine rotor bearings［J］. Journal of Xi’an Jiaotong University， 2018， 52（10）： 41-48 （in Chinese）.
[2]	LIU H， SUN Y C， WANG X Y， et al. Operating condition feature representation-based Fourier graph network for civil aircraft state estimation［J］. Reliability Engineering & System Safety， 2025， 261： 111085.
[3]	DY L R I， MOTT J H. Evaluating near midair collision reporting systems using aircraft surveillance data： A case study at a university airport［J］. Journal of Safety Research， 2024， 91： 201-209.
[4]	SONG Z C， FENG Y W， LU C. Superimposable neural network for health monitoring of aircraft hydraulic system［J］. Engineering Failure Analysis， 2024， 160： 108063.
[5]	FU X Y， LUO H， ZHONG S S， et al. Aircraft engine fault detection based on grouped convolutional denoising autoencoders［J］. Chinese Journal of Aeronautics， 2019， 32（2）： 296-307.
[6]	汪磊，张楠，高杉. 基于QAR数据与关联规则的着陆阶段超限风险评估［J］. 北京航空大学学报， 2025， 51（6）： 1907-1915.
	WANG L， ZHANG N， GAO S. Risk assessment of landing phase exceedance based on QAR data and association rule［J］. Journal of Beijing University of Aeronautics and Astronautics， 2025， 51（6）： 1907-1915 （in Chinese）.
[7]	刘佳奇，冯蕴雯，路成，等. 基于智能神经网络的航空发动机运行安全分析［J］. 航空学报， 2022， 43（9）： 625375.
	LIU J Q， FENG Y W， LU C， et al. Safety analysis of aero-engine operation based on intelligent neural network［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 625375 （in Chinese）.
[8]	WANG B， ZOU R Y， MAO J F， et al. Developing an aircraft takeoff mass estimation model based on the hybrid KMI-DNN-BI model using quick access recorder （QAR） data［J］. Aerospace Science and Technology， 2025， 158： 109918.
[9]	MAGRYTA P， PIETRYKOWSKI K. Failure analysis of transmission gear in aircraft opposed piston Diesel engine using FEM method［J］. Engineering Failure Analysis， 2025， 175： 109569.
[10]	LIN C Y， KONG Y， HUANG G Y， et al. Generalization classification regularization generative adversarial network for machinery fault diagnostics under data imbalance［J］. Reliability Engineering & System Safety， 2025， 256： 110791.
[11]	石旭东，蒋贵嘉，张宇，等. 基于联合仿真的飞机空调系统故障影响［J］. 航空学报， 2020， 41（8）： 323647.
	SHI X D， JIANG G J， ZHANG Y， et al. Fault impact of aircraft air conditioning system based on joint simulation［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（8）： 323647 （in Chinese）.
[12]	PANG H， YU T X， SONG B F. Failure mechanism analysis and reliability assessment of an aircraft slat［J］. Engineering Failure Analysis， 2016， 60： 261-279.
[13]	SHEN X K， FENG K X， XU H M， et al. Reliability analysis of bending fatigue life of hydraulic pipeline［J］. Reliability Engineering & System Safety， 2023， 231： 109019.
[14]	庄子波，张春辉，陈星，等. 基于DCGAN的终端区激光雷达晴空湍流识别［J］. 航空学报， 2024， 45（16）： 329748.
	ZHUANG Z B， ZHANG C H， CHEN X， et al. Clear⁃air turbulence recognition by Doppler⁃wind⁃lidar in terminalarea based on DCGAN［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（16）： 329748 （in Chinese）.
[15]	WANG J， LI R Z， HE C， et al. An inverse design method for supercritical airfoil based on conditional generative models［J］. Chinese Journal of Aeronautics， 2022， 35（3）： 62-74.
[16]	MA Z H， SUN Y W， YIN F L， et al. Few-shot reliability evaluation of tribopairs degradation based on active learning supported generative adversarial network［J］. Engineering Failure Analysis， 2024， 165： 108772.
[17]	DOU Y L， ZHOU Z， WANG R. Dynamic behavior recognition in aerial deployment of multi-segmented foldable-wing drones using variational autoencoders［J］. Chinese Journal of Aeronautics， 2025， 38（6）： 103397.
[18]	甘纪强，王小平. 基于虚拟样本生成的铺丝表面缺陷检测［J］. 航空学报， 2024， 45（1）： 428624.
	GAN J Q， WANG X P. Surface defect detection of fiber placement based on virtual sample generation［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（1）： 428624 （in Chinese）.
[19]	吴明雨，陈志华，邱志明，等. 条件生成对抗网络的翼型反设计方法［J］. 宇航学报， 2023， 44（10）： 1512-1521.
	WU M Y， CHEN Z H， QIU Z M， et al. An inverse design method of airfoil using conditional generative adversarial network［J］. Journal of Astronautics， 2023， 44（10）： 1512-1521 （in Chinese）.
[20]	WANG Z L， XIANG Y Z， ZHANG S Y， et al. Physics-informed springback prediction of 3D aircraft tubes with six-axis free-bending manufacturing［J］. Aerospace Science and Technology， 2024， 147： 109022.
[21]	YANG F， YANG L P， ZHU Y W. A physics-informed deep learning framework for spacecraft pursuit-evasion task assessment［J］. Chinese Journal of Aeronautics， 2024， 37（5）： 363-376.
[22]	LI J W， LONG X Y， DENG X Y， et al. A principled distance-aware uncertainty quantification approach for enhancing the reliability of physics-informed neural network［J］. Reliability Engineering & System Safety， 2024， 245： 109963.
[23]	TOGNI S， NIKOLAIDIS T， SAMPATH S. A combined technique of Kalman filter， artificial neural network and fuzzy logic for gas turbines and signal fault isolation［J］. Chinese Journal of Aeronautics， 2021， 34（2）： 124-135.
[24]	FEI C W， HAN Y J， WEN J R， et al. Deep learning-based modeling method for probabilistic LCF life prediction of turbine blisk［J］. Propulsion and Power Research， 2024， 13（1）： 12-25.
[25]	TENG D， FENG Y W， CHEN J Y， et al. Intelligent vectorial surrogate modeling framework for multi-objective reliability estimation of aerospace engineering structural systems［J］. Chinese Journal of Aeronautics， 2024， 37（12）： 156-173.
[26]	LIAO D， ZHU S P， GAO J W， et al. Energy field intensity approach for probabilistic Notch fatigue assessment under size effect［J］. Chinese Journal of Aeronautics， 2025， 38（2）： 103304.
[27]	GUI J， SUN Z N， WEN Y G， et al. A review on generative adversarial networks： algorithms， theory， and applications［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（4）： 3313-3332.
[28]	于文家，丁世飞. 基于自注意力机制的条件生成对抗网络［J］. 计算机科学， 2021， 48（1）： 241-246.
	YU W J， DING S F. Conditional generative adversarial network based on self-attention mechanism［J］. Computer Science， 2021， 48（1）： 241-246 （in Chinese）.
[29]	ZAREI M， HELLINGA B， IZADPANAH P. Application of Conditional Deep Generative Networks （CGAN） in empirical Bayes estimation of road crash risk and identifying crash hotspots［J］. International Journal of Transportation Science and Technology， 2024， 13： 258-269.

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	参数描述	单位
1	LG Lever Up	起落架手柄收起
2	LG Up	起落架收起
3	LG Lever Dn	起落架手柄放下
4	LG Dn	起落架放下
5	HYD 2 Oil Quantity	2号液压系统油量	%
6	L In Wheel Brake Pressure	左内刹车压力	Pa
7	PACU Retraction Commanded	PACU起落架放下指令
8	Selector Valve Location	选择阀位置
9	Actuating Cylinder Pressure	收放作动筒压力	Pa
10	Scavenge Pressure	回油路压力	Pa
11	Retaining Valve On	单向阀打开
12	LG Uplock Unlocked	起落架上位锁未锁定
13	LG Downlock not Locked	起落架下位锁未解锁
14	T1、T2 Stage	T1、T2阶段
15	L Stage	L阶段
16	Retain Pressure	供油路压力	Pa

模型编号	准确率	精确率	召回率	F₁
1	0.907	0.933	0.965	0.949
2	0.915	0.946	0.967	0.956
3	0.909	0.930	0.952	0.941
4	0.913	0.941	0.952	0.947

生成对抗模型	GAN	CGAN	SA-CGAN	CGAN-EB
生成器结构	MLP-2（240-120-60-16）
判别器结构	MLP-2（160-80-30-2）
其他结构	无	无	自注意力	贝叶斯网络
训练停止轮数	117	97	104	73

抽样规模/10⁴次	平均可靠度	标准差	误差边界
2	0.996 3	0.009 2	±0.007 51
4	0.996 9	0.004 9	±0.004 00
6	0.997 6	0.002 1	±0.001 72
8	0.998 5	0.001 3	±0.001 06
10	0.999 1	0.000 7	±0.005 72

序号	参数名称	参数描述	单位
1	ACMP 1B Commanded	1号系统电动泵工作指令
2	ACMP 1B Cockpit Sw	1号系统电动泵驾驶舱开关
3	ACMP 1B Press Low	1号系统电动泵压力低
4	Airspeed	空速	kt
5	Engine Shutdown 1	1号发动机关闭
6	Landing Gear Status	起落架轮载状态
7	ACMP 1B Contactor	1号系统电动泵通电状态
8	EDP 1A Prs Low	1号系统发动机驱动泵压力低
9	HYD System Pressure 1	1号液压系统压力	psi

基于机理增强条件生成对抗的民机运行可靠性评估方法

Operational reliability evaluation method for civil aircraft based on mechanism-enhanced conditional generative adversarial

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 27

参考文献 29

相关文章 15

编辑推荐

Metrics

本文评价

网络名称	网络层	神经元数量	激活函数
生成器	隐藏层1	160	ReLU
	隐藏层2	80	ReLU
	隐藏层3	30	ReLU
	输出层	9	Sigmoid
判别器	隐藏层1	200	LeakyReLU
	隐藏层2	100	LeakyReLU
	隐藏层3	40	LeakyReLU
	输出层	2	Sigmoid
逻辑检验器	隐藏层1	24	ReLU
	隐藏层2	12	ReLU
	输出层	2	Sigmoid

生成对抗模型	GAN	CGAN	SA-CGAN	CGAN-EB
生成器结构	MLP-2（160-80-30-9）
判别器结构	MLP-2（200-100-40-2）
其他结构	无	无	自注意力	贝叶斯网络
训练停止轮数	92	67	43	59

抽样规模/（10⁴次）	平均可靠度	标准差	误差边界
1	0.986 3	0.012 9	±0.010 53
2	0.982 6	0.007 1	±0.005 79
3	0.990 2	0.003 3	±0.002 69
4	0.991 5	0.000 9	±0.000 74
5	0.991 7	0.000 6	±0.000 49

[1]	吴军强, 魏志, 刘洋, 钟敏, 杨福军, 余永刚. 民机标准模型体系及气动主题数据库建设[J]. 航空学报, 2025, 46(24): 132030-132030.
[2]	惠旭龙, 刘小川, 白春玉, 韩鹤朝, 张欣玥, 李肖成, 薛璞, 牟让科, 杨先锋. 民机机身框段和全机坠撞响应对比[J]. 航空学报, 2025, 46(15): 231597-231597.
[3]	孟宪超, 陶俊. 基于目标检验条件生成对抗网络的翼型反设计方法[J]. 航空学报, 2025, 46(10): 631182-631182.
[4]	刘小川, 惠旭龙, 张欣玥, 白春玉, 闫亚斌, 李肖成, 牟让科. 典型民用飞机全机坠撞实验研究[J]. 航空学报, 2024, 45(5): 529664-529664.
[5]	司瑞, 陈勇. 民用飞机增材制造技术应用发展趋势[J]. 航空学报, 2024, 45(5): 529677-529677.
[6]	李勐, 陈星伊, 陈吉昌, 吴彬, 童明波. 波浪情况下民机水上迫降性能数值分析[J]. 航空学报, 2024, 45(2): 28-43.
[7]	毕文豪, 范秋岑, 李德林, 张安. 基于多视角的民机正向设计建模方法[J]. 航空学报, 2023, 44(10): 227536-227536.
[8]	兰泽宇, 余欢, 徐志锋, 帅亮, 胡银生. 不同编织结构C_f/Al复合材料高温压缩性能与失效机理[J]. 航空学报, 2021, 42(9): 424488-424488.
[9]	冯蕴雯, 潘维煌, 刘佳奇, 路成, 薛小锋, 冷佳醒. 基于机器学习的飞机动力装置运行可靠性[J]. 航空学报, 2021, 42(4): 524732-524732.
[10]	杨志刚, 张炯, 李博, 曾锐, 毛研勋. 民用飞机智能飞行技术综述[J]. 航空学报, 2021, 42(4): 525198-525198.
[11]	孙霄剑, 罗明强, 张驰, 关若曦, 刘虎. 民用飞机预研论证权威真相源构建技术[J]. 航空学报, 2021, 42(2): 224222-224222.
[12]	张明辉, 陈真利, 顾文婷, 李栋, 张帅, 袁昌盛, 王龙, 张彬乾. 翼身融合布局民机高低速协调设计[J]. 航空学报, 2019, 40(9): 623052-623052.
[13]	何志全, 刘杨, 李泽江. 大型民用飞机缝翼全尺寸静力试验载荷设计[J]. 航空学报, 2019, 40(2): 522197-522197.
[14]	刘毓迪, 孙学德, 张存, 南国鹏. 民用飞机个人通风送风温度对人体舒适性的影响[J]. 航空学报, 2019, 40(2): 522363-522363.
[15]	陈名乾. 民用飞机商载航程图解析方程的建立及应用[J]. 航空学报, 2019, 40(2): 522407-522407.