航空发动机双转子系统小样本故障诊断的仿真-实况转换框架研究

《IEEE Transactions on Instrumentation and Measurement》：A Simulation-to-Real Transformation for Small Sample Fault Diagnosis in Aero-Engine Dual-Rotor Systems

本文针对航空发动机双转子系统故障样本稀缺、故障特征衰减严重及动态建模复杂等难题，提出了一种创新的仿真-实况转换框架。研究团队开发了非对称高斯线性调频模型（AGCM）增强时频域故障特征，结合基于赫兹接触理论的动力学仿真模型生成标注数据，并设计了自适应多尺度风格迁移网络（AMSTN）实现仿真数据与实况数据分布对齐。实验结果表明，该方法在小样本条件下显著提升了故障诊断准确率，为解决高可靠性装备的智能运维提供了新思路。

　　

航空发动机作为现代航空器的"心脏"，其运行可靠性直接关系到飞行安全。而双转子系统作为发动机的核心部件，由高压转子（HP rotor）和低压转子（LP rotor）构成，在高速旋转时产生的复杂动态耦合使其成为故障的高发区域。然而，由于航空发动机的高可靠性设计，实际运行中故障样本极其稀缺，这给基于数据驱动的智能诊断方法带来了巨大挑战。

传统诊断方法主要依赖信号处理技术和专家经验，但在面对双转子系统特有的故障特征严重衰减和复杂非线性动力学行为时往往力不从心。故障信号在通过轴间轴承和机匣结构的多级传播过程中会经历显著衰减，加之高压转子与低压转子异步振动耦合带来的建模困难，使得小样本条件下的故障诊断成为行业难题。

针对这一挑战，Yuhan Huang、Wentao Huang等研究人员在《IEEE Transactions on Instrumentation and Measurement》上发表了创新性研究成果。他们提出了首个面向双转子系统的仿真-实况转换框架，通过机理与数据融合的方法突破了小样本故障诊断的瓶颈。该研究的核心思路是利用仿真数据弥补实况数据的不足，并通过风格迁移技术消除仿真与实况数据之间的分布差异。

研究团队采用的关键技术方法包括：基于赫兹接触理论构建双转子系统动力学仿真模型，精确模拟轴间轴承故障特性；开发非对称高斯线性调频模型（AGCM）进行信号稀疏分解，增强故障特征的时频聚集性；设计自适应多尺度风格迁移网络（AMSTN），通过残差注意力机制和自适应层实例归一化（ADALIN）实现仿真数据向实况数据的分布对齐。实验数据来源于哈尔滨工业大学的真实航空发动机双转子系统数据集（HIT dataset），包含不同转速组合下的内圈、外圈故障振动信号。

动态仿真模型构建

研究人员建立了基于CFM56航空发动机架构的双转子系统力学模型，包含六个轴承支撑结构和轴间轴承耦合接口。针对最常见的轴间轴承滚道缺陷，开发了六自由度（6-DOF）动力学模型，采用过渡型轮廓模型替代传统的矩形缺陷模型，更真实地模拟了滚动体进出缺陷时的接触力变化过程。该模型通过Lagrange方程构建系统运动方程，考虑了质量偏心、轴承接触力、重力等多物理场耦合效应。

故障特征增强模块

针对故障特征衰减问题，提出了AGCM-WVD联合分析方法。AGCM通过引入不对称因子β，能够更好地匹配故障信号的非对称振荡衰减特性。与传统的Gabor稀疏分解方法相比，AGCM在保持相同重构精度下将计算效率提升了11-12倍。通过Wigner-Ville分布（WVD）进一步提取时变特征，显著增强了弱故障特征的可检测性。实验显示，AGCM-WVD在Rényi熵和峰度指标上均优于短时傅里叶变换（STFT）、平滑WVD等传统方法。

自适应多尺度风格迁移网络

AMSTN网络包含编码器E_x、生成器G_x→y和G_y→x、判别器D以及预训练的宽残差特征提取器F。其创新点在于：采用U-Net++生成器结构实现多尺度特征融合；引入ADALIN模块自适应调整特征统计量；设计多尺度判别器从局部强度、双冲击特征和冲击频率三个维度评估生成质量。通过对抗损失、循环一致性损失、重构损失和语义一致性损失的多目标优化，确保在风格迁移过程中保留关键故障语义信息。

实验验证与结果分析

在HIT数据集上的小样本实验表明，在训练样本仅为60个的极端情况下，AMSTN方法仍能达到89.65%的准确率，显著优于对比方法。通过Fréchet Inception距离（FID）和Kernel Inception距离（KID）评估生成样本质量，AMSTN在不同故障类型（IID、SID、LOD）上均实现了最佳的分布对齐效果。消融实验进一步验证了各模块的贡献，特别是ADALIN模块在缓解仿真-实况分布差异方面的关键作用。

该研究通过仿真-实况转换的创新思路，成功解决了航空发动机双转子系统小样本故障诊断的难题。提出的AGCM特征增强方法有效克服了故障信号在传播路径中的衰减问题，而AMSTN网络在保持故障语义的前提下实现了仿真数据向实况数据的分布对齐。这种方法不仅为高可靠性装备的智能运维提供了新范式，也为解决其他领域的小样本学习问题提供了重要参考。未来研究方向包括优化计算效率实现实时诊断、扩展方法适应多物理场耦合场景，以及提升在强噪声环境下的鲁棒性。