基于专家指标聚合的可解释航空发动机诊断

检测复杂系统中的早期故障迹象（异常）是预防性维护的主要目标之一。它特别允许通过优化维护成本的方式重新安排维护操作，从而避免实际故障的发生。航空发动机健康监测是异常检测至关重要的一个代表性领域。制造商在飞行过程中收集大量发动机相关数据，除其他应用外，这些数据还用于检测异常。本文介绍并研究了一种通用方法，该方法能够构建自动化的早期异常检测系统，其构建基于人类专业知识，并且对于做出最终维护决策的人类操作员而言保持可理解性。该方法的主要思想是基于专家设计的参数化异常评分生成大量二元指标，并辅以这些评分的简单聚合。利用特征选择方法仅保留最具判别力的指标，并将其作为朴素贝叶斯分类器（Naive Bayes classifier）的输入。这产生了一个基于可解释异常检测器的可解释分类器，其参数已通过选择过程间接优化。所提出的方法在旨在重现真实世界发动机中观察到的某些异常类型的模拟数据上进行了评估。