基于随机采样类别平衡与投票特征选择的航空发动机剩余寿命多模型预测方法

本研究针对航空发动机剩余寿命(RUL)预测中数据不平衡、特征选择欠佳和模型精度不足等关键问题，提出融合随机采样类别平衡(RSBCB)、投票特征选择和集成学习的创新方法。基于C-MAPSS数据集验证显示，XGBoost结合RSBCB在FD003/FD004子集取得11.88%/12.88%的RMSE突破，CNN-LSTM等深度学习模型通过特征选择显著提升泛化能力，为航空安全与预测性维护(PdM)提供可靠技术方案。

　　

在工业4.0时代，航空发动机作为安全关键系统，其剩余寿命预测如同给飞机安装"健康预言家"。传统预测方法却面临三重困境：传感器数据像偏食的孩子只记录部分故障模式（数据不平衡），特征选择如同盲人摸象忽略关键指标，而复杂工况更让单一模型预测精度捉襟见肘。这些问题导致预测结果像不靠谱的天气预报，可能让航空公司面临数百万美元的突发维修账单，甚至威胁飞行安全。

为解决这些挑战，研究人员开展了一项突破性研究。他们开发出"三合一"解决方案：首先用随机采样类别平衡(RSBCB)技术解决数据偏态问题，如同给数据食堂配备智能营养师；其次创新投票式特征选择法，让KNN、XGBoost等模型"民主表决"关键特征；最后组建包含CNN、LSTM等深度模型的"预测天团"，在C-MAPSS数据集这个航空界的ImageNet上展开较量。

关键技术包括：1) 采用商用模块化航空推进系统仿真(C-MAPSS)数据集四个子集(FD001-FD004)模拟不同故障模式；2) 开发RSBCB方法结合SMOTE过采样与随机欠采样；3) 建立基于模型投票的特征选择机制；4) 部署XGBoost、1D-CNN、BiLSTM等8种算法对比验证；5) 采用RMSE和MAE双指标评估，通过5折交叉验证确保稳健性。

【Results】章节揭示：

1. 在FD003子集，XGBoost+RSBCB组合以11.88% RMSE刷新纪录，比传统方法提升23%，证明类别平衡对提升小样本故障预测的有效性；
2. 投票特征选择使1D-CNN在FD002的预测误差降至12.89%，特征维度减少40%却提升精度，印证"少即是多"的哲学；
3. 深度模型中，GRU网络凭借门控机制在多变工况(FD004)表现最优，MAE稳定在9.5±0.3，显示对时序动态的捕捉能力；
4. 集成学习在跨数据集测试中RMSE波动小于±1.2%，凸显方法泛化优势。

【Discussion】部分指出：该研究首次实现三个突破——通过RSBCB解决工业数据固有的类别失衡，利用模型投票突破传统PCA的线性局限，集成方法相较单一模型将预测稳定性提升35%。特别是在多故障并发场景(FD004)，该方法成功识别出高压压缩机退化与燃烧室效率下降的耦合效应，这是以往研究未能触及的盲区。

这项发表在《Engineering Applications of Artificial Intelligence》的研究，如同为航空发动机装上"预测性维护智能眼镜"。其意义不仅在于技术指标的提升，更开创性地证明：在工业大数据时代，算法民主（多模型协作）比算法精英（单一模型）更能应对复杂系统的健康预测挑战。未来若结合数字孪生(Digital Twin)技术，或将实现从"预测故障"到"预防故障"的跨越，为工业5.0时代的智能维护树立新范式。