作为故障诊断智能体感知物理世界的前端中枢，数据采集与输入构建模块决定了后续算法对发动机真实运行状态的表征质量。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》将这一底层环节形式化为标准化的时序感知模块。该模块负责接收飞机下传的原始气路遥测数据，结合制造厂商的机理模型完成特征修正，并通过时序切片构建出具备多航段动态信息的输入矩阵，为下游表征与决策网络提供规范、客观的状态输入基础。
该模块的数据源头紧密依附于民航主流双转子涡扇发动机的气路拓扑结构。在低压压气机、高压压气机、燃烧室、高压涡轮以及低压涡轮等核心气路部件处，分布式物理传感器实时监测工作介质的流动与做功状态。在飞机处于巡航等关键稳态飞行阶段时，机载数据系统采集风扇转速、核心机转速、排气温度以及燃油流量等多通道物理量，并通过机载通信寻址与报告系统以报文形式下传至地面数据中心并持久化存储，构建起反映发动机气路工作特性的基础原始数据源。
为了消除环境温度、飞行高度和飞行速度等外部飞行工况对传感器读数的动态干扰，该模块包含专门的基线偏离度修正环节。直接测得的原始热力学参数具有强烈的工况依赖性，难以直接反映内部部件的物理退化。地面处理系统利用制造厂商的发动机稳态气路基线模型，将测得的实际参数与同等飞行环境下的健康基线值进行比对计算，从而提取出排气温度偏差、核心机转速偏差、燃油流量偏差以及风扇转速等关键无量纲或偏离度指标，将外部工况变化转化为纯粹反映部件退化特性的状态特征。
在完成特征工程后，时序切片子模块采用固定长度的滑动时间窗口对连续飞行记录进行结构化封装。由于航空发动机气路部件的性能退化或早期故障通常呈现跨航段的渐进发展趋势，孤立的单次飞行截面数据难以反映退化速率与动态趋势。该模块在发动机全生命周期的时序轨迹上，向前截取固定航段数量的连续飞行监测记录，将多通道热力学偏差参数沿时间维度拼接为二维时序状态矩阵，使每一个送入智能体的样本单元均完整涵盖了多航段的动态演变信息。
样本的类别属性则依托制造厂商的客户通告报告与地面专家系统进行严格标定。在发动机从装机到最终下线维护的完整生命周期中，通告报告通过监测参数异常波动点精确锁定了故障发生的起始时间与受影响的飞行航段。该输入模块将故障发生前的特定航段窗口标记为具体故障类别，例如可变放气阀系统故障、排气温度不平衡或全温传感器故障；而在故障发生之前的广阔服役阶段中截取的时序窗口，则被统一标定为健康运行状态的正常样本序列。
最后，该模块对构建完成的时序矩阵执行多通道归一化计算，将各物理特征的取值范围规整至标准区间内，消除不同传感器物理量纲差异对数值计算的影响。作为连接物理发动机与算法模型的数字化桥梁，气路状态感知与多航段时序输入模块将分散、异构且受工况干扰的机载遥测报文，转化为具有统一维度、明确物理机理和丰富动态信息的时序样本，从数据源头上奠定了智能体执行状态表征与决策的物理一致性基础。
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 scenarios[J]. Advanced Engineering Informatics, 2025, 65(C): 103297.
https://www.sciencedirect.com/science/article/pii/S1474034625001909
