Advanced Engineering Informatics • Volume 74 • 2026 • Article 104685
可迁移片段增强网络（TSAN）
通过趋势分组微调实现航空发动机个体退化预测，在目标发动机数据有限时复用相似退化阶段的可迁移片段以提升预测精度。
作者
Haoze Wu; Shisheng Zhong; Minghang Zhao; Yongjian Zhang; Xuyun Fu; Song Fu
作者单位
- a. School of Mechatronics Engineering, Harbin Institute of Technology, Harbin 150001, China
- b. Department of Mechanical Engineering, Harbin Institute of Technology, Weihai 264209, China
- c. Weihai Key Laboratory of Intelligent Operation and Maintenance, Harbin Institute of Technology, Weihai 264209, China
核心思想
TSAN 将“个体发动机一个模型”的个性化方式，转化为“相似退化趋势共享一个微调模型”的方式。不再只围绕单台发动机做微调，而是利用处于相近寿命阶段的发动机退化片段进行知识复用，从而在降低维护复杂度的同时提升预测精度与稳定性。
TSAN 速览
两阶段框架：先在全体发动机数据上训练基础预测器，再对退化趋势表征做聚类，并针对各趋势组微调专用预测模型。
图 2：TSAN 用基于可迁移片段的趋势分组微调，替代逐台发动机微调。
问题
逐发动机微调带来较高维护成本，而且新发动机历史数据较少时效果往往不稳定。
关键思路
当不同发动机呈现相似退化趋势时，跨发动机共享短退化片段。
趋势表征
TSAN 学习隐式退化趋势嵌入，并通过高斯混合模型完成样本分组。
收益
在减少专用模型数量的同时，提高预测精度和鲁棒性。
总体概述
摘要
准确预测关键气路性能参数对于航空发动机维护规划十分重要。统一模型难以刻画个体发动机特征，而逐发动机微调又成本高、对小样本发动机不友好。TSAN 将模型适配从发动机层面转移到退化趋势层面：先在全部发动机上训练基础模型，再将退化片段嵌入并聚类为趋势组，最后为各趋势组微调专用预测器。实验表明，该方法在 MAE、MRE、RMSE 上相对基线分别提升 36.0%、35.7%、34.1%，同时减少需要维护的模型数量并带来更好的稳定性。
论文信息
- 题目
- Engine-specific degradation prediction of aviation engines via transferable snippet augmentation: A trend-grouped fine-tuning perspective
- 期刊
- Advanced Engineering Informatics
- 卷次
- 74（2026）
- 文章号
- 104685
- 在线发表
- 2026 年 4 月 15 日
关键词与概念
方法
TSAN 将表征学习、趋势分组与分组微调整合到一起。基础模型先学习退化感知的隐藏状态，再把具有相似潜在趋势的片段聚合起来，构建趋势专用预测器。
1. 训练共享基础模型
所有发动机共同参与一个基础预测器训练，以学习共性的运行与退化动态。
2. 学习趋势表征
表征模块对退化片段编码，并与预测隐藏状态对齐，得到具有物理意义的趋势嵌入。
3. 聚类为趋势组
利用高斯混合模型对相似退化趋势的片段分组，支持软分配和新样本推断。
4. 按趋势而非按发动机微调
推理时先识别样本最相近的趋势组，再调用对应的专用模型进行预测。
图 5：不同发动机之间、以及同一发动机不同寿命阶段之间，存在可迁移的局部退化片段。
视角转变
从“发动机级适配”转向“退化趋势级适配”。
数据复用
其他发动机中的有效片段可以成为目标发动机的可迁移支持样本。
部署友好
一个趋势组服务多台发动机，模型维护压力显著降低。
实验结果
TSAN 在发动机级微调基线和其他序列模型之上都取得了更好的效果，尤其在历史数据较少的发动机上优势更明显。
模型数量
减少 53%
平均需要维护的微调模型数量从发动机视角下降到趋势组视角。
核心提升
36.0% / 35.7% / 34.1%
相对于最佳微调基线，在 MAE、MRE、RMSE 上的相对提升。
稳定性
+18.0% / +11.1% / +15.2%
MAE、MRE、RMSE 的跨发动机标准差更低，说明预测更稳定。
图 8：TSAN 识别出的早期、中期、后期三类代表性退化趋势组。
图 9：在七种对比方法中，TSAN 在不同发动机和不同指标上整体表现最好。
图片速览
选取论文中的几张代表性图，展示趋势分组微调、可迁移片段以及基准对比结果。
趋势分组微调
TSAN 先把可迁移片段组织为退化趋势组，再选择对应的专用预测器。
可迁移片段
跨发动机以及同一发动机跨寿命阶段都可能出现局部轨迹相似，从而支持迁移。
趋势组可视化
不同 EGTM 区间对应可解释的早期、中期、后期退化阶段。
基准结果
TSAN 在评估方法中取得最优的 MAE、MRE 与 RMSE 表现。
引用
如果本工作对你有帮助，请引用该论文。
@article{wu2026tsan,
title = {Engine-specific degradation prediction of aviation engines via transferable snippet augmentation: A trend-grouped fine-tuning perspective},
author = {Wu, Haoze and Zhong, Shisheng and Zhao, Minghang and Zhang, Yongjian and Fu, Xuyun and Fu, Song},
journal = {Advanced Engineering Informatics},
volume = {74},
pages = {104685},
year = {2026},
doi = {10.1016/j.aei.2026.104685},
url = {https://doi.org/10.1016/j.aei.2026.104685}
}DOI
https://doi.org/10.1016/j.aei.2026.104685
Author share link
https://authors.elsevier.com/c/1mxnI5FA1kHGCw
联系作者
- Shisheng Zhong: zhongss#hit.edu.cn
- Yongjian Zhang: zhangyj#hitwh.edu.cn