Resumen:El diagnóstico de fallas de las aeronaves de aviación general enfrenta desafíos que incluyen escasos datos reales sobre fallas, diversos tipos de fallas y firmas de fallas débiles. Este artículo propone un marco de diagnóstico de fallas inteligente basado en un gemelo digital de fidelidad múltiple, que integra cuatro módulos: simulación de dinámica de vuelo de alta fidelidad, inyección de fallas impulsada por FMEA, extracción de características residuales de fidelidad múltiple y generación de informes interpretables mejorados con modelo de lenguaje grande (LLM). Se construye un gemelo digital utilizando el motor de dinámica de vuelo de seis grados de libertad (6-DoF) JSBSim, que genera datos de monitoreo del estado del motor de 23 canales a través de ecuaciones de síntesis de sensores semiempíricas. Un motor de inyección de fallas de tres capas basado en el análisis modal de fallas y efectos (FMEA) modela la propagación causal física de 19 tipos de fallas del motor. Se propone un marco de cálculo de residuos de fidelidad múltiple que comprende residuos de espejos emparejados y residuos de predicción sustitutos de GRU: la ruta de alta fidelidad obtiene señales limpias de desviación de fallas utilizando trayectorias de espejo nominales con condiciones iniciales idénticas, mientras que la ruta de baja fidelidad logra un cálculo residual en línea en tiempo real a través de un modelo sustituto de GRU de predicción de varios pasos. Un clasificador 1D-CNN realiza un diagnóstico de extremo a extremo de 20 clases de fallas. Un motor de informes de diagnóstico de LLM mejorado con conocimiento FMEA fusiona resultados de clasificación, evidencia residual y conocimiento causal del dominio para generar informes interpretables en lenguaje natural. Los experimentos muestran que el esquema residual de espejos emparejados logra una Macro-F1 del 96,2 % en la tarea de 20 clases, mientras que el esquema sustituto de GRU logra una aceleración de inferencia de 4,3 veces con solo un costo de rendimiento del 0,6 %. La comparación entre 24 esquemas revela que la calidad de las características residuales contribuye aproximadamente 5 veces más al rendimiento del diagnóstico que la arquitectura del clasificador, estableciendo el principio de diseño de “calidad residual primero”.
Publicado originalmente en export.arxiv.org el 27 de abril de 2026.
Ver fuente original
