计算机工程

作者：游雅倩, 闫辉, 苏耀峰, 王晓双, 鄢睿丞

单位：国防科技大学信息通信学院, 湖北 武汉 430030

关键词：集成学习算法,置信规则库,沙普利加性解释,可解释性,发动机健康状态预测

基金：国家自然科学基金(72401287); 国家自然科学基金(72471238)

航空发动机健康状态预测作为发动机健康管理的重要环节之一, 能够为提升飞机可靠性、降低发动机维护成本等工作提供定量化依据。然而, 传统的航空发动机健康状态预测对可解释性关注度较低, 导致对发动机视情维修等决策的支撑性不足。为此, 面向发动机健康状态预测的可解释需求, 提出基于EnsembleBRB-SHAP模型的航空发动机健康状态可解释预测方法。首先, 采用数据驱动法训练多个航空发动机健康状态预测子置信规则库(BRB)模型。在此基础上, 构建航空发动机健康状态预测集成置信规则库(EnsembleBRB)模型, 在有效利用多源不确定数据的同时, 保证模型的预测准确性。然后, 基于沙普利加性解释(SHAP), 对EnsembleBRB模型进行分析解释, 定位影响发动机健康状态的关键因素, 实现航空发动机健康状态的可解释性预测。最后, 引入商用模块化航空推进系统仿真软件记录的发动机故障实验监测数据, 验证所提方法的可行性与有效性。实验结果表明, 该方法在航空发动机健康状态预测中的均方误差(MSE)为0.012 2, 通过局部可解释性与全局可解释性分析, 归纳得出低压涡轮机冷却液泄漏量、风扇转速等是决定发动机健康状态的关键参数, 进而更好地支撑航空发动机健康管理等决策工作。

来源：2026年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第4期