基于逆问题表述的涡扇发动机健康估计机器学习框架
机器学习
2026-04-10 v1 人工智能
摘要
估计涡扇发动机的健康状态是一项具有挑战性的病态逆问题，受限于稀疏探测和复杂非线性热力学。该领域的研究仍然零散，比较受限于不真实的数据集和对时序信息利用不足的探索。本文探讨如何在真实的退化和维护模式下，从操作传感器数据中恢复组件级健康指示器。为支持本研究，我们引入了一个新数据集，包含行业特性复杂性，如维护事件和使用变化。利用该数据集，我们建立了初始基准，比较稳态和非平稳数据驱动模型，以及贝叶斯滤波器等经典方法。除此基准外，我们还引入自监督学习 (Self-Supervised Learning, SSL) 方法，这些方法在缺乏真实健康标签的情况下学习潜在表示，符合现实操作约束。通过将这些无监督表示的下游估计性能与直接预测基准进行比较，我们确立了解决该逆问题难度的实用下界。我们的结果表明，传统滤波器仍是强大的基准，而 SSL 方法揭示了健康估计的内在复杂性，凸显了需要更先进且可解释推理策略的需求。为可重复性，本文使用的生成数据集和实现均已公开。
引用
@article{arxiv.2604.08460,
title = {A Machine Learning Framework for Turbofan Health Estimation via Inverse Problem Formulation},
author = {Milad Leyli-Abadi and Lucas Thil and Sebastien Razakarivony and Guillaume Doquet and Jesse Read},
journal= {arXiv preprint arXiv:2604.08460},
year = {2026}
}
备注
Submitted at ECML PKDD 2026