7、基于神经网络与生存分析结合的涡扇发动机可操作性预测

基于神经网络与生存分析结合的涡扇发动机可操作性预测

1. 引言

现代民用飞机发动机多为涡扇发动机，它为飞机提供飞行所需的动力。发动机的维护至关重要，因正常老化，部分部件在运行一段时间后可能需要更换。不同的维护策略取决于目标部件的特性和维护政策，但每次维护都会导致成本高昂的停机时间。

在这种情况下，对涡扇发动机进行状态监测对于合理规划维护、减少停机时间和降低运营成本至关重要。为了实现这一目标，研究人员致力于开发物理和统计方法来模拟涡扇发动机老化的各个方面。本文提出了一种机器学习模型，旨在根据发动机的使用情况，提供部件需要维护的概率。

2. 背景与数据

2.1 检查

发动机的维护政策包括定期维护和性能下降时的临时维护。在这两种情况下，发动机都会接受检查，部分部件会被评估。检查后，部件可分为可操作和不可操作两类。不可操作并不意味着部件损坏，而是指其达到了特定规格的极限。

不可操作的原因（RnO）涵盖了多种可能的损坏情况，如磨损、疲劳等。常见的RnO包括“微动磨损”、“腐蚀”和“裂纹”等。一个RnO可能由多种物理现象共同作用导致，例如裂纹可能是磨损和疲劳共同作用的结果。

本文聚焦于一个特定的RnO和涡扇发动机的某个部件，目标是估计该部件因该特定原因需要维护的概率。

2.2 发动机使用情况

我们旨在根据发动机的使用情况估计部件不可操作的概率。每次飞行用向量$X_t$表示，发动机的使用情况对应于时间序列$(X_t)_{t\in[1,n]}$，其中$n$是飞行次数。每个向量$X_t$包含两类数据：
- 快照 ：商业飞