前言

本文开发了一种高效的故障诊断框架FSHSM-PCNN，用于进行航空发动机故障诊断，该架构由一个新提出的基于故障影响力的分层排序模块（FSHSM）和并行卷积神经网络组成。其中，FSHSM用于对状态点数据按照其对故障诊断的影响力进行分层排序，以捕获不同时间点数据间的协同效应；并行卷积神经网络分别以原始样本和经过排序模块排序后的样本作为输入，获取数据的时序状态信息和协同信息，合并后的特征用于进行航空发动机故障的准确诊断。

1. 论文解决的问题

• 在进行多传感器信号采集时，受到自身或硬件设备的影响，部分传感器信号会出现迟滞，导致传感器在时间上不同步，导致部分时间点数据上的关键信息被淹没。
• 航空发动机的性能退化并非是线性的，受到工况和操作习惯的影响，它的性能退化更体现在部分的关键时间点数据上，而这些关键时间点数据之间存在的协同效应并未被考虑。
• 航空发动机发生故障的概率较低，因此大多采集的是正常数据，故障数据较少，导致深度学习模型对故障样本学习不足，引发误诊和漏诊。

2. 论文贡献

• 应用双池化模块对不同时间点数据进行信号形貌指标提取（平均值和最大值），平均值和最大值突出的时间点可能展现出迟滞信号的峰值。
• 提出一个基于故障影响力的分层排序模块