在民用航空发动机的实际运营与维护过程中，发动机本身具有极高的制造工艺和运行可靠性，这使得在机队全生命周期的海量监测数据中，绝大部分均为正常飞行记录，真正发生故障的样本数量极少且涉及多种不同的失效模式，构成了典型的小样本与高不平衡分类场景。
为了应对数据极端不平衡以及航线日常运行中监测数据持续增长的工程实际，学术论文《Continual contrastive reinforcement learning: Towards stronger agent for environment-aware fault diagnosis of aero-engines through long-term optimization under highly imbalance scenarios》提出了一种融合环境交互与持续动态演化的专用故障诊断智能体构建方法。
我们将从工程背景、数据结构、特征提取与决策机制等多个维度，逐步拆解这一诊断智能体的核心技术逻辑。
传统数据驱动的故障诊断方法通常假设各类状态的训练样本相对均衡，或者采用人工插值等数据增强手段来扩充少数类样本。然而在航空发动机时间序列监测领域，盲目生成虚拟时序数据容易引入与实际物理退化规律不符的噪声和不确定性，而直接削减多数类正常样本又会导致大量基础运行背景信息的丢失。
此外，航空公司每日执飞任务会产生持续增长的传感器报文，如果模型仅在离线状态下完成单次训练便固定参数，便难以适应机队工况变化与数据体量的自然增长，这也是工业智能诊断在实际工程应用中面临的关键问题。
该研究将航空公司的日常运维流程抽象为智能体与外部环境的交互闭环，赋予智能体持续演化的能力。在这一机制下，飞机航后通过机载通信系统下发的关键气路时序数据构成了智能体感知到的环境状态；智能体对当前飞行状态进行分析并给出健康状态判定；地面维护人员与工程专家结合现场检查及制造厂商报告对判定结果进行核实；最终，真实状态、判定动作与专家评估反馈被统一存入经验库中，用于智能体的周期性更新，使得算法能够伴随实际飞行数据的累积实现持续自适应迭代。
为了在不依赖合成数据的前提下准确辨识微弱且多样的故障特征，该智能体系统性地集成了两套协同技术模块。
- 首先是特征区分模块，它利用海量的正常飞行数据对时序编码器进行预训练以掌握基础时序表征，再通过真实样本对进行加权对比学习微调，在特征空间中尽量拉大不同故障模式之间的间隔；
- 其次是类型识别决策模块，它采用深度强化学习架构，并依据数据集中各类别样本量的实际分布动态设定非对称奖励反馈，对罕见故障的正确识别赋予更合理的调节权重，在底层决策逻辑上尽量消除对多数类正常样本的分类偏置。
综合来看，这种故障诊断智能体构建思路的核心在于贴合航空发动机真实运行环境的数据分布特点，通过时序表征学习与面向不平衡场景的强化学习决策相结合，构建出具备环境感知与长周期优化能力的自适应诊断架构。在接下来的系列内容中，我们将进一步深入发动机底层气路传感器的数据形态，详细解析智能体是如何从多通道时序信号中构建并解析健康特征的。
参考文献：
Continual contrastive reinforcement learning: Towards stronger agent for environment-aware fault diagnosis of aero-engines through long-term optimization under highly imbalance scenariosJ. Advanced Engineering Informatics, 2025, 65©: 103297.
https://www.sciencedirect.com/science/article/pii/S1474034625001909
航空发动机故障诊断专用智能体（二）：气路监测参数与时序样本构建
航空发动机故障诊断专用智能体（三）：基于对比学习的时序特征区分方法