近日，上海交通大学航空航天学院李元祥教授团队，联合上海飞机设计研究院和东方航空技术有限公司 MCC，在国产大飞机核心系统的智能诊断方向取得重要突破。研究团队围绕引气系统的跨机型诊断难题，首次构建基于时序大模型的统一诊断框架，实现了来自空客 A320、A330 等成熟机型的运行知识向国产 C919 的有效迁移，为新机型在数据稀缺条件下的早期健康管理提供了智能化解决方案。
相较于传统方法多依赖单一机型、模型容量有限且泛化性差，该研究提出一种 “预测下一个信号 token” 的自监督预训练方法，联合利用三类机型的飞行数据开展训练，成功学习到通用的信号健康表征。在此基础上，设计了高度适配工程场景的联合损失函数，显著提升了模型在下游异常检测和基线预测任务中的表现。研究进一步验证了，基于时序大模型的飞参建模方式能够有效打破机型壁垒，实现诊断知识在多型号间的共享与迁移。相关论文已被国际工程信息学领域的一区 Top 期刊《Advanced Engineering Informatics》接收发表。
- https://www.sciencedirect.com/science/article/pii/S1474034625001685
- https://arxiv.org/pdf/2504.09090
背景介绍
引气系统（Bleed Air System, BAS）作为保障飞行安全与乘客舒适度的核心环节，承担着舱压调节、空调供气和发动机防冰等多项关键功能。由于系统工作环境复杂且高度依赖发动机压气机供气，BAS 常见故障如超压、低压和过热，不仅频繁发生，还可能导致机舱减压、设备损坏甚至安全事故，成为影响飞行任务稳定执行的重要隐患。
现有研究多依赖基于特定机型构建的统计模型或轻量级深度模型，虽在健康监测与风险评估中具备一定有效性，但面临两个根本瓶颈：一是模型强依赖特定机型数据分布，难以在不同飞机平台间迁移使用；二是对大量故障标签的依赖，使其难以适配如 C919 等新型飞机在早期运营阶段数据稀缺的实际情况。特别是在国产大飞机持续服役推广的背景下，如何在多机型之间共享诊断知识、降低数据门槛、提升模型的泛化能力，成为工程界亟待破解的关键课题。
主要创新
为了解决多机型之间诊断迁移难、C919 数据稀缺等问题，团队提出了一种基于时序大模型的统一诊断框架。团队构建了涵盖 A320、A330 和 C919 三种机型的引气系统飞行数据集，并设计了一种自监督学习策略，通过 “预测下一个信号 token” 的方式，让模型在不依赖故障标签的情况下，学会抽取多机型通用的健康状态特征。
