针对航空发动机故障诊断的优化S变换嵌入式时频可解释神经网络

《Mechanical Systems and Signal Processing》：Optimized S-transform embedded time–frequency interpretable neural network for aero-engine fault diagnosis

航空发动机故障诊断中，提出基于优化S变换（OST）的卷积神经网络（OSTNN），通过引入可训练参数α和β动态调整窗口形状，解决传统STFT方法在非平稳信号和噪声抑制上的局限。实验证明OSTNN在准确率、噪声鲁棒性及可解释性上优于8种SOTA方法。

　　
该研究针对航空发动机故障诊断领域中的两大核心挑战展开攻关：首先是非平稳工况下传统时频分析方法（如STFT）存在的分辨率矛盾，其次是深度学习模型可解释性不足的问题。通过创新性地将优化S变换（OST）嵌入卷积神经网络架构，构建了具有物理可解释性的智能诊断系统OSTNN，在多项关键指标上实现了突破性进展。

传统STFT方法存在根本性局限：固定窗口长度导致时频分辨率此消彼长的矛盾，无法适应航空发动机振动信号中非平稳故障特征。例如在转子不平衡故障中，高频冲击信号与低频趋势成分并存，固定窗口的STFT既无法精准捕捉瞬态冲击又难以有效提取长期趋势。这种刚性时频分析框架与深度学习架构存在适配性矛盾，导致现有基于CNN的诊断模型在复杂工况下表现欠佳。

研究团队通过引入动态可调的优化S变换，创新性地构建了时间-频率自适应的卷积层（OSTconv）。该技术突破体现在三个方面：首先，在窗口设计层面，通过双可调参数（α、β）的优化S变换，实现了时频分辨率的动态平衡。实验表明，相较于传统STFT固定参数（如汉明窗0.42秒），OST的窗口形态能根据具体工况自动调整形态，在转子故障诊断中时间分辨率提升37%，频率分辨率提高29%。其次，在模型架构层面，将传统CNN的卷积核替换为可学习的OST卷积核，使模型具备自主优化时频分析参数的能力。通过对比实验发现，OSTconv较传统CNN的故障特征提取效率提升42%，在噪声抑制方面表现出类生物神经网络的适应性进化特征。最后，在可解释性层面，构建了双通道可视化机制：既可通过时频谱图直观展示特征分布，又能通过幅频响应曲线量化分析噪声抑制效果，为工程人员提供多维度的诊断依据。

该方法的创新性在于实现了物理理论与数据驱动学习的深度融合。传统信号处理方法依赖专家经验设定参数，而深度学习方法虽能自动学习特征，但存在黑箱问题。OSTNN通过引入可训练的时频分析参数，使模型既能保持深度学习的自适应优势，又具备传统信号处理的物理可验证性。这种设计理念突破了现有研究的二元对立，在特征提取精度和模型可解释性之间找到了平衡点。

实验验证部分具有显著工程价值。研究团队构建了包含三种典型航空发动机故障（外圈磨损、内圈损伤、不对中）的复合测试平台，采集了涵盖不同工况（正常、启动、满载、紧急停机）的12万组振动信号。对比实验显示，OSTNN在噪声抑制方面较基准模型提升58%，在数据不平衡问题（正常与故障样本比例1:20）下准确率仍保持92.3%，显著优于其他基于STFT的改进模型。特别是在少样本学习场景中，当训练数据量减少至常规水平的1/5时，OSTNN的故障检测F1-score仍比次优模型高14.6个百分点。

工程应用层面，该方法已成功集成到某型涡扇发动机健康管理系统。实测数据显示，在2000小时累计运行中，系统成功预警了3次早期轴承磨损（提前12小时发现外圈点蚀），误报率控制在0.3%以下。与传统CNN模型相比，运维人员可通过可视化时频特征分布图（每帧信号对应6维时频参数分布）快速定位故障源，解释效率提升40%。更值得关注的是，OSTNN的参数自优化机制使其具备跨机型诊断能力，在测试另一型号发动机时，仅需额外训练8小时即达到90%以上的故障识别准确率。

理论突破方面，研究揭示了时频分析参数与CNN特征提取的内在关联。通过分析300组不同训练样本的模型参数，发现当α值在0.15-0.35区间时，系统对高频瞬态冲击捕捉最佳；β值在0.7-0.9范围内时，低频趋势成分的提取效果最优。这种参数动态平衡机制有效解决了传统方法中参数调优依赖专家经验的痛点，使模型在非平稳工况下仍能保持稳定性能。

在可解释性架构设计上，系统创新性地构建了三层解释体系：基础层通过优化S变换的物理可验证性（可逆向推导时频特征与原始信号的关系），中间层通过注意力机制可视化特征提取过程，高层通过故障模式分类器生成诊断报告。这种递进式解释框架在工业场景中表现出显著优势，某航空维修站的应用案例显示，工程师使用OSTNN的时频热力图进行故障分析的时间较传统方法缩短65%，且误判率降低至0.5%以下。

该方法的经济效益和社会价值同样值得关注。在对比实验中，OSTNN较传统最先进模型（波士顿大学2023年提出的TFT-Transformer）减少数据标注量约70%，模型训练成本降低42%。更关键的是，通过可解释性设计，某航空公司的故障诊断流程实现了从"数据驱动决策"到"物理机理驱动决策"的转型，单台发动机全寿命周期的维护成本降低约120万元，同时将重大故障预警时间提前了5-8小时。

研究团队在工程实现层面进行了深入探索：开发专用硬件加速模块，使OSTNN的推理速度达到传统方法的1.8倍；构建参数自优化机制，模型在运行中可根据工况变化动态调整α、β参数，适应不同飞行阶段的发动机工作状态；设计轻量化模型架构，在保持95%以上精度的同时，模型体积压缩至原规模的1/3，满足嵌入式系统的部署需求。

该研究对智能诊断领域的理论发展具有里程碑意义。首次将S变换的解析优势（可精确计算各频段能量占比）与深度学习的特征抽象能力相结合，提出了时频分析参数自优化理论。在IEEE航空电子系统会议上，该成果被专家评价为"重新定义了工程故障诊断的可解释性标准"，相关技术已申请3项发明专利，并在2个适航认证过程中通过审查。

后续研究计划聚焦于多源信息融合和模型轻量化。实验数据表明，当融合热力红外数据时，系统在早期裂纹检测中的灵敏度提升至98.7%。同时正在开发适用于边缘计算的微型版OSTNN，目标是将推理延迟控制在50ms以内，满足实时监测需求。这些进展标志着航空发动机故障诊断技术正从"黑箱预警"向"白箱诊断"的重要转变，为智慧航空工业发展提供了关键技术支撑。