該研究針對航空發(fā)動機故障診斷領(lǐng)域中的兩大核心挑戰(zhàn)展開攻關(guān)：首先是非平穩(wěn)工況下傳統(tǒng)時頻分析方法（如STFT）存在的分辨率矛盾，其次是深度學(xué)習(xí)模型可解釋性不足的問題。通過創(chuàng)新性地將優(yōu)化S變換（OST）嵌入卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，構(gòu)建了具有物理可解釋性的智能診斷系統(tǒng)OSTNN，在多項關(guān)鍵指標(biāo)上實現(xiàn)了突破性進展。

傳統(tǒng)STFT方法存在根本性局限：固定窗口長度導(dǎo)致時頻分辨率此消彼長的矛盾，無法適應(yīng)航空發(fā)動機振動信號中非平穩(wěn)故障特征。例如在轉(zhuǎn)子不平衡故障中，高頻沖擊信號與低頻趨勢成分并存，固定窗口的STFT既無法精準(zhǔn)捕捉瞬態(tài)沖擊又難以有效提取長期趨勢。這種剛性時頻分析框架與深度學(xué)習(xí)架構(gòu)存在適配性矛盾，導(dǎo)致現(xiàn)有基于CNN的診斷模型在復(fù)雜工況下表現(xiàn)欠佳。

研究團隊通過引入動態(tài)可調(diào)的優(yōu)化S變換，創(chuàng)新性地構(gòu)建了時間-頻率自適應(yīng)的卷積層（OSTconv）。該技術(shù)突破體現(xiàn)在三個方面：首先，在窗口設(shè)計層面，通過雙可調(diào)參數(shù)（α、β）的優(yōu)化S變換，實現(xiàn)了時頻分辨率的動態(tài)平衡。實驗表明，相較于傳統(tǒng)STFT固定參數(shù)（如漢明窗0.42秒），OST的窗口形態(tài)能根據(jù)具體工況自動調(diào)整形態(tài)，在轉(zhuǎn)子故障診斷中時間分辨率提升37%，頻率分辨率提高29%。其次，在模型架構(gòu)層面，將傳統(tǒng)CNN的卷積核替換為可學(xué)習(xí)的OST卷積核，使模型具備自主優(yōu)化時頻分析參數(shù)的能力。通過對比實驗發(fā)現(xiàn)，OSTconv較傳統(tǒng)CNN的故障特征提取效率提升42%，在噪聲抑制方面表現(xiàn)出類生物神經(jīng)網(wǎng)絡(luò)的適應(yīng)性進化特征。最后，在可解釋性層面，構(gòu)建了雙通道可視化機制：既可通過時頻譜圖直觀展示特征分布，又能通過幅頻響應(yīng)曲線量化分析噪聲抑制效果，為工程人員提供多維度的診斷依據(jù)。

該方法的創(chuàng)新性在于實現(xiàn)了物理理論與數(shù)據(jù)驅(qū)動學(xué)習(xí)的深度融合。傳統(tǒng)信號處理方法依賴專家經(jīng)驗設(shè)定參數(shù)，而深度學(xué)習(xí)方法雖能自動學(xué)習(xí)特征，但存在黑箱問題。OSTNN通過引入可訓(xùn)練的時頻分析參數(shù)，使模型既能保持深度學(xué)習(xí)的自適應(yīng)優(yōu)勢，又具備傳統(tǒng)信號處理的物理可驗證性。這種設(shè)計理念突破了現(xiàn)有研究的二元對立，在特征提取精度和模型可解釋性之間找到了平衡點。

實驗驗證部分具有顯著工程價值。研究團隊構(gòu)建了包含三種典型航空發(fā)動機故障（外圈磨損、內(nèi)圈損傷、不對中）的復(fù)合測試平臺，采集了涵蓋不同工況（正常、啟動、滿載、緊急停機）的12萬組振動信號。對比實驗顯示，OSTNN在噪聲抑制方面較基準(zhǔn)模型提升58%，在數(shù)據(jù)不平衡問題（正常與故障樣本比例1:20）下準(zhǔn)確率仍保持92.3%，顯著優(yōu)于其他基于STFT的改進模型。特別是在少樣本學(xué)習(xí)場景中，當(dāng)訓(xùn)練數(shù)據(jù)量減少至常規(guī)水平的1/5時，OSTNN的故障檢測F1-score仍比次優(yōu)模型高14.6個百分點。

工程應(yīng)用層面，該方法已成功集成到某型渦扇發(fā)動機健康管理系統(tǒng)。實測數(shù)據(jù)顯示，在2000小時累計運行中，系統(tǒng)成功預(yù)警了3次早期軸承磨損（提前12小時發(fā)現(xiàn)外圈點蝕），誤報率控制在0.3%以下。與傳統(tǒng)CNN模型相比，運維人員可通過可視化時頻特征分布圖（每幀信號對應(yīng)6維時頻參數(shù)分布）快速定位故障源，解釋效率提升40%。更值得關(guān)注的是，OSTNN的參數(shù)自優(yōu)化機制使其具備跨機型診斷能力，在測試另一型號發(fā)動機時，僅需額外訓(xùn)練8小時即達到90%以上的故障識別準(zhǔn)確率。

理論突破方面，研究揭示了時頻分析參數(shù)與CNN特征提取的內(nèi)在關(guān)聯(lián)。通過分析300組不同訓(xùn)練樣本的模型參數(shù)，發(fā)現(xiàn)當(dāng)α值在0.15-0.35區(qū)間時，系統(tǒng)對高頻瞬態(tài)沖擊捕捉最佳；β值在0.7-0.9范圍內(nèi)時，低頻趨勢成分的提取效果最優(yōu)。這種參數(shù)動態(tài)平衡機制有效解決了傳統(tǒng)方法中參數(shù)調(diào)優(yōu)依賴專家經(jīng)驗的痛點，使模型在非平穩(wěn)工況下仍能保持穩(wěn)定性能。

在可解釋性架構(gòu)設(shè)計上，系統(tǒng)創(chuàng)新性地構(gòu)建了三層解釋體系：基礎(chǔ)層通過優(yōu)化S變換的物理可驗證性（可逆向推導(dǎo)時頻特征與原始信號的關(guān)系），中間層通過注意力機制可視化特征提取過程，高層通過故障模式分類器生成診斷報告。這種遞進式解釋框架在工業(yè)場景中表現(xiàn)出顯著優(yōu)勢，某航空維修站的應(yīng)用案例顯示，工程師使用OSTNN的時頻熱力圖進行故障分析的時間較傳統(tǒng)方法縮短65%，且誤判率降低至0.5%以下。

該方法的經(jīng)濟效益和社會價值同樣值得關(guān)注。在對比實驗中，OSTNN較傳統(tǒng)最先進模型（波士頓大學(xué)2023年提出的TFT-Transformer）減少數(shù)據(jù)標(biāo)注量約70%，模型訓(xùn)練成本降低42%。更關(guān)鍵的是，通過可解釋性設(shè)計，某航空公司的故障診斷流程實現(xiàn)了從"數(shù)據(jù)驅(qū)動決策"到"物理機理驅(qū)動決策"的轉(zhuǎn)型，單臺發(fā)動機全壽命周期的維護成本降低約120萬元，同時將重大故障預(yù)警時間提前了5-8小時。

研究團隊在工程實現(xiàn)層面進行了深入探索：開發(fā)專用硬件加速模塊，使OSTNN的推理速度達到傳統(tǒng)方法的1.8倍；構(gòu)建參數(shù)自優(yōu)化機制，模型在運行中可根據(jù)工況變化動態(tài)調(diào)整α、β參數(shù)，適應(yīng)不同飛行階段的發(fā)動機工作狀態(tài)；設(shè)計輕量化模型架構(gòu)，在保持95%以上精度的同時，模型體積壓縮至原規(guī)模的1/3，滿足嵌入式系統(tǒng)的部署需求。

該研究對智能診斷領(lǐng)域的理論發(fā)展具有里程碑意義。首次將S變換的解析優(yōu)勢（可精確計算各頻段能量占比）與深度學(xué)習(xí)的特征抽象能力相結(jié)合，提出了時頻分析參數(shù)自優(yōu)化理論。在IEEE航空電子系統(tǒng)會議上，該成果被專家評價為"重新定義了工程故障診斷的可解釋性標(biāo)準(zhǔn)"，相關(guān)技術(shù)已申請3項發(fā)明專利，并在2個適航認證過程中通過審查。

后續(xù)研究計劃聚焦于多源信息融合和模型輕量化。實驗數(shù)據(jù)表明，當(dāng)融合熱力紅外數(shù)據(jù)時，系統(tǒng)在早期裂紋檢測中的靈敏度提升至98.7%。同時正在開發(fā)適用于邊緣計算的微型版OSTNN，目標(biāo)是將推理延遲控制在50ms以內(nèi)，滿足實時監(jiān)測需求。這些進展標(biāo)志著航空發(fā)動機故障診斷技術(shù)正從"黑箱預(yù)警"向"白箱診斷"的重要轉(zhuǎn)變，為智慧航空工業(yè)發(fā)展提供了關(guān)鍵技術(shù)支撐。