摘要
提出了一种评估航空发动机监测数据的新方法。传统上，故障预测与健康管理系统（Prognostics and Health Management, PHM）依赖于对特定发动机部件退化过程的先验知识以及专业专家经验，以预测剩余使用寿命（Remaining Useful Life, RUL）。近年来，数据驱动的方法应运而生，能够在不依赖昂贵建模过程的前提下实现高精度诊断。然而，大多数现有方法缺乏可解释性，难以阐明模型的学习机制或揭示数据本身的内在特性。为弥补这一不足，本文提出一种基于变分编码（variational encoding）的新型方法。该模型由一个循环编码器与一个回归模型构成：编码器负责将输入数据压缩至低维隐空间（latent space），该隐空间作为基础，用于构建可自解释的可视化映射，从而直观评估航空发动机的退化速率。隐空间的构建通过一种新型代价函数进行正则化，该函数结合了变分推断（variational inference）的指导机制以及对预测误差的惩罚项。因此，该方法不仅实现了高度可解释的健康评估，还取得了显著的预测精度，在NASA发布的经典仿真数据集C-MAPSS上，其性能超越了大多数现有先进方法。此外，本文还展示了该方法在真实场景中的应用，基于实际涡扇发动机运行数据进行了验证，进一步证明了其在工程实践中的有效性与适用性。