在智能体完成气路多航段时序数据的采集与规整后，高维度的原始时序信号需要经过深度表征与降维处理，以消除高频测量噪声并提炼本质物理趋势。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》将这一功能封装为独立的基础时序编码网络。该网络采用长短期记忆自编码器架构，在脱离人工标签监督的情况下，利用海量正常运行数据进行自监督重构训练，构建出能够压缩并表征发动机稳态工况与退化趋势的时序特征提取模型。
该编码网络在预训练阶段的数据输入完全依赖于发动机全生命周期中的正常飞行片段。在实际机队运营中，发动机大部分时间处于稳定可靠的健康服役期，由此沉淀了海量且连续的正常气路监测序列。数据输入模块将这些健康时段的多航段飞行数据切割为标准化时序样本，并直接作为自编码器的训练源。利用海量正常样本进行自监督学习，能够避免微量且异构的故障数据在基础特征提取阶段对网络权重产生方向性干扰，确保模型建立起客观且具有全局泛化性的基准特征分布。
长短期记忆时序编码器是该模块执行特征压缩的核心组件。多航段气路监测序列沿时间维度被逐个飞行步送入编码网络中，网络内部的记忆单元通过输入门、遗忘门和输出门的非线性门控机制，协同调控历史飞行状态的保留与更新。输入门负责筛选当前航段中具有物理意义的参数变化，遗忘门自适应剔除无关的历史稳态冗余，而输出门则控制当前时态特征的显式传递。通过在时间步上的连续递归传递，输入时序最后一个航段的隐层状态被完整提取出来，作为整合了整个多航段时序动态信息的低维瓶颈特征向量。
为了在无监督条件下验证并驱动特征提取的有效性，网络在结构上对称配置了长短期记忆时序解码器。解码网络接收编码器输出的低维瓶颈向量作为初始状态，通过沿时间维度逐步解算，尝试完整还原出原始的多通道、多航段输入序列。训练过程以重构输出时序与原始真实输入时序之间的均方误差作为损失约束，通过梯度反向传播算法联合优化编码器与解码器的权重参数，促使网络在自监督学习中自发收敛。
这种编码-解码对称重构机制在物理上构成了较为严密的时序信息瓶颈。由于低维瓶颈向量的维度远小于原始多航段矩阵的数据体量，网络无法直接记住所有数值细节，这一强约束迫使编码器主动舍弃随机传感扰动和高频噪声，转而提取排气温度、转速与燃油流量等关键参数之间固有的物理耦合关系与退化演变规律，在隐层空间内开展了对高维动态时序的高保真、低冗余压缩表征。
在自编码器完成收敛后，解码器结构被剥离并舍弃，仅保留具备深度时序特征提取能力的编码器网络。该编码器的参数权重被固化并输出，直接作为后续特征区分模块以及强化学习决策智能体的前端初始化骨干。作为诊断智能体的基础表征中枢，基础时序压缩与长短期记忆编码网络从结构上实现了从高维时序测量到紧凑隐层表征的非线性映射，为下游模块开展故障类别细化与决策提供了较好的特征支撑。
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
