Aeroengine performance prediction using a physical-embedded data-driven method

准确高效地预测航空发动机性能对于发动机设计、维护和优化至关重要。然而，现有的方法往往难以在预测准确性、计算效率、建模复杂度和数据依赖性之间达到最佳平衡。为了应对这些挑战，我们提出了一种策略，将航空发动机领域和神经网络领域的领域知识相结合，以实现发动机性能参数的实时预测。利用航空发动机领域知识，我们精心设计网络结构并调节内部信息流。同时，借鉴神经网络领域的专业知识，我们设计了四种不同的特征融合方法，并引入了创新的损失函数公式。为了严格评估我们提出的策略的有效性和稳健性，我们在两个不同的数据集上进行了全面的验证。实证结果表明：（1）我们量身定制的损失函数具有明显的优势；（2）我们的模型能够在减少参数数量的情况下保持相同或更好的性能；（3）相比于通用的神经网络架构，我们的模型具有较少的数据依赖性；（4）我们的模型比传统的黑盒机器学习方法更易于解释。

本论文旨在解决航空发动机性能预测的准确性、计算效率、建模复杂度和数据依赖性之间的平衡问题。

论文提出了一种策略，将航空发动机和神经网络领域的领域知识相结合，以实现发动机性能参数的实时预测。

论文通过四种不同的特征融合方法和创新的损失函数公式，结合航空发动机领域知识和神经网络领域专业知识，评估了该策略的有效性和鲁棒性。实验结果表明，该策略的损失函数具有明显的优势，模型的性能参数数量减少，数据依赖性降低，比传统的黑盒机器学习方法更易于解释。

最近相关的研究包括使用深度学习方法预测航空发动机性能的研究，如《A Deep Learning Framework for Aeroengine Remaining Useful Life Prediction》和《A deep learning approach for aero-engine degradation assessment based on small sample data》。