航空发动机是飞机的核心推进系统，其性能、可靠性和安全性直接影响飞机的整体效率和运行质量。当满足排放、噪音和服务寿命的严格要求时，发动机能够在广泛的条件下稳定高效地运行。为实现这些目标，控制系统在航空发动机中起着关键作用，而性能是确保发动机健康运行的决定性因素之一。现代航空发动机普遍依赖于全权限数字电子控制（FADEC）系统，该系统作为集成管理和实时优化发动机性能的“大脑”[1]。作为控制系统的关键组成部分，传感器主要提供监控数据，使控制器能够生成相应的控制指令。传感器的精度、可靠性、响应速度和耐用性直接决定了控制系统评估发动机运行状态的能力，从而影响整个控制回路的有效性和发动机的整体性能。因此，传感器是支持高质量航空发动机控制系统不可或缺的技术基础。
然而，航空发动机传感器在高温、高压、振动和强空气动力载荷的恶劣环境中长期工作，容易发生故障，属于高风险组件。为了提高系统可靠性，广泛采用了冗余技术——主要是硬件冗余和分析冗余——来提高传感器的容错能力[2]。特别是分析冗余技术，利用机械模型或人工智能方法重构有故障传感器的参数和信号，从而替代实际测量值[3,4]。与传统硬件冗余相比，分析冗余方法避免了额外传感器对发动机结构和重量的影响，因此应用范围广泛。航空发动机传感器的分析冗余技术的发展可以追溯到20世纪70年代，早期的研究提出了提高系统可靠性的基础性贡献[5]，以及将现代控制理论与贝叶斯假设检验相结合用于涡轮发动机故障检测的开创性工作[6]。这些早期研究为后续的研究和工程应用奠定了理论和方法论基础。
为了重构有故障传感器的信号，当前的分析冗余技术主要遵循两种范式：基于模型的方法和数据驱动的方法。基于模型的分析冗余依赖于发动机的数学表示，大致可分为两种类型：组件级模型和线性化状态变量模型。这些方法提供的信号具有清晰的物理可解释性和一致性[7]。像组件级模型（CLM）这样的高保真模型虽然精度高，但需要对控制方程组进行迭代求解，每次迭代都需要多次气体路径计算，导致机载实时部署的计算延迟较大[10,11]。另一方面，线性化状态变量模型[10,12]提高了计算速度，但面临一个关键权衡：在广泛的飞行包线内保持精度需要存储大量的系数矩阵，增加了内存负担，而简化则会导致显著的保真度损失[25,26]。这些固有的限制限制了基于模型的分析冗余在机载环境中的应用。
相比之下，数据驱动的分析冗余利用机器学习（例如神经网络、支持向量机）从操作数据中学习传感器参数之间的直接映射，无需显式的物理模型[8,9,15]。这种方法不仅在信号重构方面显示出巨大潜力，还在各种与发动机相关的任务中发挥作用，包括故障诊断[16,18]、控制律优化[20]和性能预测[21,24]，因为它能够捕捉复杂的非线性关系。然而，对于高保真传感器信号重构这一特定任务，浅层网络架构往往无法捕捉航空发动机内部的复杂动态依赖性，导致鲁棒性和泛化能力不足。此外，数据驱动方法的性能本质上依赖于训练数据的质量和覆盖范围，这对在整个飞行包线内实现可靠运行构成了挑战。
为了减轻这些缺点，已经探索了结合物理原理和数据驱动校正的混合模型[19,29]，旨在结合模型的一致性和数据的适应性。然而，同时实现机载实时能力、高精度以及在整个飞行包线内具有鲁棒性能的传感器分析冗余解决方案仍然是一个未解决的挑战。这是因为在严格的机载约束条件下有效平衡和整合这两种不同的范式并非易事。本文正是针对这一挑战展开的。为了解决这些问题，本文首先设计了针对不同传感器类型的发动机机载快速计算模型。通过简化气体路径计算和降低非线性方程的维度，分析冗余模型显著提高了实时性能，并保持了足够的精度。其次，为了解决发动机机载快速计算模型中特征图内非唯一解导致的速度偏差问题，设计了一个基于Transformer自注意力机制的深度学习网络架构，即轴速分析冗余深度学习网络。然后，通过分析发动机机载快速计算模型和轴速分析冗余深度学习网络在不同工作条件下的精度损失分布模式，开发了一种适用于广泛飞行包线的融合分析冗余策略。考虑到两种方法提供的信号的精度和稳定性，结合了多目标模糊融合算法以实现多目标融合分析冗余。最后，对所提出的分析冗余方法进行了仿真验证。
本工作的主要贡献总结如下：
(1)提出了一种机载快速传感器分析冗余建模方法，该方法从高保真组件级物理模型中推导出实时计算模型。该方法使用可测量参数简化气体路径计算，并降低非线性方程组的维度，从而显著提高了计算速度，同时仅牺牲了有限的精度。
(2)基于Transformer架构的多头自注意力机制开发了一个轴速分析冗余深度学习网络。该网络有效解决了组件特征图中的非唯一解问题，补偿了快速物理模型的精度限制，并增强了系统的非线性表示能力。
(3)设计了一种多目标融合分析冗余方法，将快速物理模型和深度学习网络的输出进行整合。该策略根据不同的工作条件和传感器特性自适应地权衡这两种方法，从而提高了整个飞行包线内传感器分析冗余的精度和稳定性。
(4)进行了全面的仿真实验来验证所提出的方法。结果证明了该集成框架在实时性能、估计精度和多样性飞行条件下的鲁棒性方面的有效性和优越性。
