本文档发表于期刊 Biomimetics 2023年第8卷第601篇，题目为《基于云-边系统的飞机燃油泵仿生故障诊断》。作者团队主要来自北京工业大学（杨淼、李焱堂、刘震）、南京航空机电液压工程研究中心（潘军）、陆空间技术湖州有限公司（刘磊）、中国航天科技集团（王增）及北京无线电测量研究所（王紫荆）。通讯作者为北京工业大学的杨淼。
本研究属于故障诊断与健康管理（Prognostics and Health Management， PHM）领域，结合了仿生学思想与先进的云-边协同计算架构。研究的背景在于，飞机燃油泵是燃油系统的核心部件，其健康状态监测至关重要。随着传感器数量的增加，数据量激增，导致传统的PHM方法计算量过大、处理效率下降，难以实现实时有效的监控。为此，本研究旨在提出一种新型的、基于云-边资源协同的健康监测方法，以解决海量数据处理难题，实现对燃油泵的及时故障预警和精确故障分类。具体目标包括：实现传感器端、边缘端与云端的高效协同任务分配；设计边缘侧异常判定方法；并开发云端智能故障诊断算法，以提升诊断的准确性与实时性。
本研究的工作流程可以分为实验平台构建、云-边协同框架设计、边缘侧异常检测、云端故障诊断以及对比验证等几个核心环节。
首先，研究团队搭建了一个模拟真实飞机燃油系统运行特性的地面实验平台。该平台包含离心汽油泵、供油油箱、储油油箱等设备。为了采集关键数据，在油泵出口安装了压力传感器，由于油泵内部空间限制，将振动传感器安装在与之连接的电机上。数据采集系统负责实时采集振动和压力信号。实验共获得了800个样本，每个样本包含2048个数据点，其中600个用于训练，200个用于测试。边缘侧计算采用树莓派（Raspberry Pi 3B+）实现，云端诊断算法则基于PyTorch深度学习平台开发。
其次，研究提出了一个三层级的云-边协同故障诊断总体框架。传感器端负责在燃油泵关键测量点布设多种传感器（如振动、压力），实时采集运行数据并通过有线方式上传至边缘端。边缘端负责接收数据，记录测点位置信息，同时提取信号特征值，并利用阈值方法进行异常判定。仅将判定为异常的数据段通过无线方式上传至云端。边缘端还负责在陆基和机载可视化界面上显示异常报警信息及测点位置。云端则负责存储各边缘上传的故障数据段至历史数据库，利用智能分类模型对故障类型进行识别，并利用新增故障数据持续更新和训练模型参数，最终将分类诊断结果通过可视化界面呈现。
在边缘侧异常检测这一关键环节，本研究设计了一套融合了阈值检测与策略判断的精细化方法。 对于振动信号，研究没有直接分析原始信号以避免计算负担和延迟，而是选取了五个关键时域指标作为检测依据：峰值、峰峰值、均方根、峭度因子和裕度因子。选取依据是这些指标在灵敏度与稳定性上的综合表现优异，例如峭度因子和裕度因子对冲击类故障敏感，而均方根则稳定性好。针对每个指标，采用3σ阈值法设定报警阈值（μ ± 3σ）。然而，仅凭单一指标偶尔超阈可能引发误报。为此，研究创新性地提出了“3/5策略”。该策略以测点为基本单元，将连续五次检测结果存入五个存储窗口，只有当五次检测中有三次结果被判定为异常时，才最终触发报警。这一策略有效过滤了因随机干扰导致的孤立异常点，提高了报警的可靠性。对于压力信号，其异常判定则综合考虑幅度与持续时间：不仅设定压力上下限阈值，还要求压力超越阈值的状态持续一段时间（t > t0）才被判定为异常，这有效规避了因压力脉动现象导致的瞬时超阈误报。
在云端故障模式识别环节，本研究提出并采用了一种基于卷积自编码器（Convolutional Auto-Encoder， CAE）的智能诊断算法。 考虑到上传的故障数据可能包含噪声，CAE的无监督特征提取与重构能力非常适合此场景。算法流程主要包括：1) 特征提取：使用多个卷积层和池化层对输入样本进行编码，将其转化为高维特征信息。2) 特征重构：通过反卷积和反池化操作，将编码后的高维特征解码重构为新的样本。这一重构过程能有效抑制噪声，并使故障特征更加显著。3) 分类器：将重构后的样本输入由三个线性层和Softmax分类器组成的分类网络，最终输出故障类别诊断结果。该算法的损失函数采用最小均方误差（MSE），通过反向传播更新网络权重。
本研究的主要结果体现在边缘检测有效性和云端算法性能对比两个方面。
边缘侧检测结果显示，通过实时计算时域指标并应用3σ阈值与“3/5策略”，系统能够可靠地识别出异常数据段。文中以具体时间段的数据图展示了峰值、峰峰值、均方根和裕度因子超过报警阈值，而峭度因子未超阈的情况。根据“3/5策略”，由于五个指标中有四个（超过半数）指示异常，该实例被记录为一次有效异常事件，等待后续窗口确认。这证明了所提边缘检测策略在实际应用中的可行性。
云端诊断算法的性能对比结果是本研究的核心发现。 研究将提出的CAE算法与支持向量机（Support Vector Machine， SVM）、极限学习机（Extreme Learning Machine， ELM）、卷积神经网络（Convolutional Neural Network， CNN）和长短期记忆网络（Long Short-Term Memory， LSTM）等主流方法进行了全面对比，评价指标包括准确率、精确率、召回率和F1分数。五次实验的平均结果显示，CAE方法在所有指标上均取得最优性能。其平均准确率达到96.05%，相较于LSTM、CNN、ELM和SVM，分别提升了4.35%、6.40%、17.65%和19.35%。混淆矩阵也直观展示了CAE模型对各类故障更佳的区分能力。这一显著优势主要归因于CAE强大的特征提取与重构能力，它能在训练过程中学习到对噪声鲁棒、对故障敏感的特征表示，从而在分类时获得更高精度。此外，研究还分析了训练样本数量对CAE模型诊断准确率的影响。结果表明，在样本量从320增至480的过程中，模型准确率持续上升；当样本量超过480后，准确率增长趋于平缓，稳定在95%-96%之间。这说明模型在现有数据规模下已接近性能饱和，同时也暗示积累更多多样化故障数据（尤其是不同工况下的同类故障）有助于进一步提升模型的泛化能力。
本研究提出并验证了一种用于飞机燃油泵的、基于云-边协同的智能健康监测方案。该方案通过边缘计算实现实时异常检测与报警，通过云计算完成高精度故障分类与识别，有效平衡了实时性与准确性需求，减轻了纯云端处理的负担。主要结论是：1) 所设计的“3σ阈值”结合“3/5策略”的边缘检测方法，能够在保证高报警准确率的同时有效降低误报。2) 基于卷积自编码器（CAE）的云端故障诊断算法，在燃油泵故障诊断任务上表现出优于SVM、ELM、CNN和LSTM等对比方法的准确性和稳定性。3) 整套云-边协同监测方案为应对传统故障诊断方法面临的数据量大、检测效率低、故障识别难等问题提供了有效的解决思路，为构建鲁棒的飞机燃油泵健康监控系统奠定了坚实基础。
本研究的亮点和价值体现在以下几个方面：第一，方法创新性。 创造性地将云-边协同架构引入航空燃油泵的PHM，实现了计算任务的合理分布与高效协同。第二，策略实用性。 边缘侧提出的“3/5策略”是针对多测点多指标监控场景的实用化设计，巧妙平衡了检测灵敏度与抗干扰能力。第三，算法先进性。 率先将CAE用于处理燃油泵的噪声故障数据，通过特征重构提升了诊断模型的鲁棒性和准确性，取得了显著的性能提升。第四，工程应用导向。 研究从实际工程问题（数据量大、实时性要求高）出发，搭建了模拟实验平台，验证了方案的可行性，具有明确的工程应用价值和前景，为航空装备的智能运维提供了新的技术路径。