近日，上海交通大學航空航天學院李元祥教授團隊，聯合上海飛機設計研究院和東方航空技術有限公司 MCC，在國產大飛機核心系統的智能診斷方向取得重要突破。研究團隊圍繞引氣系統的跨機型診斷難題，首次構建基于時序大模型的統一診斷框架，實現了來自空客 A320、A330 等成熟機型的運行知識向國產 C919 的有效遷移，為新機型在數據稀缺條件下的早期健康管理提供了智能化解決方案。

相較于傳統方法多依賴單一機型、模型容量有限且泛化性差，該研究提出一種 “預測下一個信號 token” 的自監督預訓練方法，聯合利用三類機型的飛行數據開展訓練，成功學習到通用的信號健康表征。在此基礎上，設計了高度適配工程場景的聯合損失函數，顯著提升了模型在下游異常檢測和基線預測任務中的表現。研究進一步驗證了，基于時序大模型的飛參建模方式能夠有效打破機型壁壘，實現診斷知識在多型號間的共享與遷移。相關論文已被國際工程信息學領域的一區 Top 期刊《Advanced Engineering Informatics》接收發表。

• https://www.sciencedirect.com/science/article/pii/S1474034625001685
• https://arxiv.org/pdf/2504.09090

背景介紹

引氣系統（Bleed Air System, BAS）作為保障飛行安全與乘客舒適度的核心環節，承擔著艙壓調節、空調供氣和發動機防冰等多項關鍵功能。由于系統工作環境復雜且高度依賴發動機壓氣機供氣，BAS 常見故障如超壓、低壓和過熱，不僅頻繁發生，還可能導致機艙減壓、設備損壞甚至安全事故，成為影響飛行任務穩定執行的重要隱患。

現有研究多依賴基于特定機型構建的統計模型或輕量級深度模型，雖在健康監測與風險評估中具備一定有效性，但面臨兩個根本瓶頸：一是模型強依賴特定機型數據分布，難以在不同飛機平臺間遷移使用；二是對大量故障標簽的依賴，使其難以適配如 C919 等新型飛機在早期運營階段數據稀缺的實際情況。特別是在國產大飛機持續服役推廣的背景下，如何在多機型之間共享診斷知識、降低數據門檻、提升模型的泛化能力，成為工程界亟待破解的關鍵課題。

主要創新

為了解決多機型之間診斷遷移難、C919 數據稀缺等問題，團隊提出了一種基于時序大模型的統一診斷框架。團隊構建了涵蓋 A320、A330 和 C919 三種機型的引氣系統飛行數據集，并設計了一種自監督學習策略，通過 “預測下一個信號 token” 的方式，讓模型在不依賴故障標簽的情況下，學會抽取多機型通用的健康狀態特征。

在此基礎上，團隊針對工程上新機型故障樣本極少的現實，設計了一個結合基線預測與異常檢測的聯合損失函數。這個機制不僅提升了模型對下游任務的適應性，也讓診斷結果更具解釋性。

結果

實驗表明，該模型在多個任務中表現優于現有方法，尤其是在 C919 這樣數據稀少的場景下，準確率提升明顯。

在跨機型數據的預訓練基礎上進行微調的下游任務的精度和準確度顯著超越當前流行的 SOTA 方法，并且將有預訓練和沒有預訓練的相比，性能也有明顯提升，驗證了預訓練在本系統的有效性。

可視化分析進一步驗證了模型的表示能力。通過 t-SNE 將不同機型的信號語義映射至二維空間，結果顯示模型能夠清晰劃分正常與異常狀態，即使傳感器配置存在差異，仍具備良好的判別能力。

此外，團隊還探索了模型規模與任務性能之間的關系。結果表明，在結構不變的前提下增加參數量，模型預測準確性隨之提升，體現出明顯的規模效應。這為未來構建更高容量、更強泛化能力的飛行信號基礎模型提供了支撐。

未來研究方向

本研究展示了時序大模型在數據稀缺、系統異構等復雜工業場景下的應用潛力，不僅為國產大飛機早期運營提供了有效的健康保障手段，也為我國廣泛存在的工業設備場景（如軌道交通、能源系統、制造產線等）帶來了通用化智能診斷的技術啟發。以統一模型、共享知識、適應多樣系統的能力，將為各類工業場景的運維升級提供新思路。

未來，研究團隊將進一步拓展飛行關鍵系統的建模范圍，構建覆蓋發動機、空調系統、輔助動力裝置等多個子系統的飛參時序大模型，推動跨系統、多機型的統一建模與診斷研究。同時，團隊還計劃引入文本、圖譜等多源信息，發展融合飛參信號與維修記錄、艙內語音等的多模態模型架構，持續提升故障預測的準確性與模型的交互性，面向未來構建智能化的飛機健康管理系統。