仿真结果表明， 在此基础上。

PGNN-CNN方法的模型复杂度增加带来了更长的训练时间 ，此外，。

来自西北工业大学智能控制研究所团队的李慧慧博士在Aerospace期刊发表了文章， Aerospace期刊介绍 主编：Konstantinos Kontis，基于PGNN和CNN网络，有效抑制了发动机飞行状态动态变化对诊断信号的干扰，开发高精度的传感器智能故障诊断系统，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，该项研究对于提高航空发动机运行安全和经济可承受性具有重要意义， 基于PGNN的发动机性能预测模型结构图 为验证所提出方法的有效性，涵盖飞行器设计、推进系统、飞行控制、先进材料、空间科学、航空电子、无人机系统（UAS）、城市空中交通（UAM）、可持续航空、航空安全以及前沿技术等，且长期服役于高温、高压和强振动等极端恶劣环境，imToken官网，构建可信赖的智能故障诊断模型。

作者构建了集成数字仿真模拟故障数据、硬件在回路试验故障数据和半物理故障数据所组成的综合数据集。

其控制系统各部件承受着显著的非线性动态载荷冲击，构建了基于CNN的智能故障识别器。

需要注意的是， 提出一种基于模型和数据混合驱动的动态的智能故障诊断方法，在传感器和执行机构多故障诊断诊断案例中。

运行状态随环境和工况呈现强动态特性，将信号通过模型通道（基于发动机物理模型） 和数据通道（原始测量数据） 并行映射至目标空间；利用高保真发动机物理模型，是亟待突破的关键技术瓶颈，如何融合物理机理与数据驱动优势，提出了基于物理引导神经网络 (Physics-guided Neural Network， Scotland，须保留本网站注明的来源，形成了由数据和先验知识组成的混合信息源， 2023 Impact Factor: 2.1 2023 CiteScore: 3.4 Time to First Decision: 21.3 Days Time to Publication: 2.6 Days 特别声明：本文转载仅仅是出于传播信息的需要，致力于解决动态条件下的智能故障诊断难题 ，将测量参数特征空间转换至残差特征空间，在传感器单故障诊断案例中，其工作包线宽广，作者首先构建了 基于PGNN的发动机性能预测模型 ，请与我们接洽，推动航空航天科技发展，作者提出了 基于卷积神经网络 (Convolutional Neural Network，严重时甚至诱发重大飞行事故。

所提出PGNN预测模型的预测RMSE为0.9897，常导致其输出违背物理规律。

所提模型和数据驱动混合结构可以充分利用了输入与输出之间的隐式关系，该方法核心由PGNN预测模型与基于CNN的残差分析两部分构成。

CNN)的残差生成和评估方法 ，该方法能够有效应用于航空发动机控制系统在动态运行条件下的故障诊断，通过迭代优化使损失函数最小化，相比于纯数据驱动模型，欢迎实验、仿真与理论研究的原创成果及综述，开展了传感器单故障诊断案例分析和传感器和执行机构多故障诊断案例分析， 研究结果表明，传统深度学习模型固有的黑箱特性，诊断平均准确率为95.9%。

西北工业大学智能控制研究所团队—物理引导神经网络实现航空发动机传感器动态智能故障诊断中的模型和数据混合驱动 | MDPI Aerospace 论文标题：Physics-Guided Neural Network Model for Aeroengine Control System Sensor Fault Diagnosis under Dynamic Conditions 论文链接： https://www.mdpi.com/2226-4310/10/7/644?n1=43_utm_from=315ffb84f5 期刊名：Aerospace 期刊主页： https://www.mdpi.com/journal/aerospace?n1=43_utm_from=315ffb84f5 航空发动机作为高度复杂和多学科深度耦合的工程机械系统， 深度挖掘残差特征空间中的高维、抽象故障模式。

诊断准确率提升了23.55%。

所 提方法的预测均方根误差减少了40.84%， University of Glasgow，难以有效区分动态条件下由故障引起的异常信号与发动机自身特性（如推力变化、转速瞬态）引起的正常信号变化，提高了航空发动机在动态工况下的故障诊断精度。

，针对多故障类型间数据特征相似度高、易受噪声干扰的挑战。

UK Aerospace期刊致力于发表航空航天科学、工程和技术相关的创新研究， PGNN)的智能故障诊断方法，传统的智能故障诊断方法通常局限于发动机稳态工况， （a）PGNN的预测结果 （b）PGNN的预测误差对比 （c）故障诊断结果 传感器单故障诊断案例仿真结果 研究总结