中国民航网 通讯员范杰、张栋 报道：在航空领域，发动机的稳定运行关乎飞行安全与效率。南航技术分公司河南基地与民航大紧密合作，开展了一场意义非凡的技术攻关，双方共同研发的“基于深度学习的航空发动机EGTM预测与智能诊断算法研究”项目取得重大突破，为航空发动机状态监控和故障诊断带来了全新变革。

2024年，南航技术分公司与民航大签署联合创新合作框架协议，在此契机下，双方基于实际工作需求，聚焦发动机EGT裕度预测和发动机异常诊断展开深入研究。

长期以来，航空发动机的状态监控和故障诊断高度依赖发动机主制造商的状态监控系统决策，技术自主性受限。此次合作项目针对这一局限，凭借深度学习技术，在航空发动机EGTM预测和智能诊断两大关键领域取得卓越成果。

在航空发动机EGTM预测研究中，项目团队首先创新性地提出EGTM基线数据集构建方法。通过飞行时间信息，巧妙确立EGTM基线与起飞报间的数据映射关系，再经数据清洗、相关性分析并结合工程师经验，精准确定数据集性能参数，成功构建起可靠的数据集。基于此，团队设计出基于深度学习的EGTM基线预测模型。该模型结构精妙，性能参数加权模块以Transformer网络为核心，运用多头自注意力机制为不同性能参数赋予权值，显著提升数据特征区分能力；特征提取模块由堆叠膨胀卷积和BiLSTM结构搭建时空网络，强化对参数关联和数据时序特征的提取；输出模块整合前期特征并输出结果。该模型在工程环境部署后，经工程数据验证，平均预测精度超90%。针对发动机水洗或大修后模型精度下降问题，团队引入迁移学习理论，提出基于领域自适应的EGTM基线迁移预测模型，成功实现对水洗或大修后EGTM的精准预测，在跨机型EGTM预测验证中，精度同样达90%以上。

航空发动机智能诊断研究同样成果斐然。鉴于发动机高可靠性设计导致性能故障数据稀缺、诊断精度低的困境，团队引入度量学习思想，将故障诊断转化为故障类别相似度度量问题。通过重构样本对扩充诊断数据集规模，设计基于相似性度量孪生网络的诊断模型，涵盖特征提取、关系度量学习和故障分类器模块，一举将故障诊断精度提升至90%。

科研成果不仅体现在技术突破上，还在学术领域大放异彩。依托本项目，研究团队发表或录用3篇高质量论文，涉及北大核心、EI会议及EI期刊，同时联合培养6名研究生，为行业输送了新鲜血液。

如今，CFM56 - 7B发动机的EGTM预测精准度和指定发动机运行异常侦测精准度均超90%，已具备在生产环境部署使用的条件。此次南航技术分公司与民航大的合作，完美融合了企业在人工智能技术产业落地的丰富经验和高校的理论优势，实现了项目的快速开发与部署。（编辑：金杰妮 校对：孙文瑾 审核：韩磊）