基于多任务学习的机械工程中异常传感器数据的分割、校正与分类

《COMPUTERS IN INDUSTRY》：Segmentation, correction, and classification of abnormal sensor data in mechanical engineering based on multi-task learning

异常传感器数据分类、校正与分割的联合多任务学习框架研究。该框架通过教师-学生结构和语义分割模型，实现传感器数据异常检测的三任务（分类、校正、分割）协同学习，在滚动轴承和液压泵数据集上验证了联合训练的有效性。

　　在现代工业领域，设备的运行环境通常非常恶劣，承受着高强度的工作负荷和极端的温度变化，这不仅对设备本身构成了健康威胁，同时也对用于监测设备状态的传感器产生了显著影响。传感器作为工业系统中不可或缺的组成部分，其数据的准确性和完整性直接影响着后续的故障检测和诊断效果。然而，由于传感器长期暴露在复杂、动态的环境中，其数据往往会出现各种异常，例如数据偏移、噪声干扰、信号阻塞等。这些异常数据的存在，使得基于数据的故障分类方法在实际应用中效果大打折扣，特别是对于深度学习（Deep Learning, DL）这类依赖高质量输入数据的模型而言，异常数据会显著降低其分类准确率和泛化能力。

为了应对这一挑战，本研究提出了一种全新的方法，将传感器数据的异常检测、数据修复和数据分割三个任务整合到一个统一的框架中，旨在提升工业设备故障诊断的整体效率和精度。该方法的核心思想是通过多任务学习（Multi-Task Learning, MTL）技术，将多个相关任务中的共性信息进行共享，从而优化模型的学习效果。多任务学习作为一种重要的机器学习范式，能够通过任务之间的关联性，提升模型的泛化能力和鲁棒性，减少对单一任务的过度依赖。

在工业设备中，常见的传感器类型包括振动传感器、电流传感器、电压传感器、流量传感器和压力传感器等。这些传感器采集的数据往往包含丰富的信息，但也容易受到环境噪声和设备状态变化的影响。传统的故障检测方法通常基于信号分析，例如利用傅里叶变换和小波变换等技术将采集的信号转换为频域表示，再通过提取频域特征、统计特征等方式进行分类。然而，这些方法对专家经验的依赖性较强，难以适应复杂多变的工业环境。

随着机器学习（Machine Learning, ML）技术的发展，许多研究尝试减少对专家经验的依赖，采用自动化的特征提取和分析方法，例如随机森林和支持向量机（Support Vector Machines, SVMs）。这些方法在一定程度上提升了故障检测的自动化程度，但仍然需要人工干预和特征工程。而深度学习方法则进一步简化了这一过程，能够通过端到端的学习方式，自动完成从原始数据到特征提取的全过程。然而，深度学习方法对异常数据的鲁棒性较弱，当传感器数据出现异常时，模型的性能会受到严重影响。

因此，如何在不依赖高质量数据的前提下，提升故障检测方法的鲁棒性和泛化能力，成为当前研究的一个重要方向。近年来，许多研究尝试通过改进模型结构和引入新的机制来应对这一问题。例如，Su和Lee（2024）总结了多个健康监测竞赛中常见的数据挑战，并指出模型的鲁棒性和泛化能力是未来研究的重要方向。Zhao等人（2020）设计了一种深度残差收缩网络（Deep Residual Shrinkage Network），用于处理含有噪声的滚动轴承故障检测问题。该方法通过引入挤压和激励机制（Squeeze-and-Excitation Network）来过滤噪声特征，从而提升模型的识别能力。此外，Wei等人（2024）在后续研究中继承了这一收缩操作，并提出了类似的归纳偏差（inductive bias），这些方法在特征提取方面表现出色，但并未专门针对异常数据进行优化。

在实际应用中，传感器数据的异常检测通常需要区分异常类型并定位异常位置。传统的异常检测方法主要依赖于分类、重构或预测等方式。分类方法能够识别异常类型，但无法提供精确的异常位置；重构方法通过比较原始数据与重构数据的残差来检测异常，能够准确定位异常区域，但无法分类异常类型；预测方法则利用预测误差来判断是否发生异常，这种方法在某些场景下表现出一定的优势，但同样存在局限性。因此，如何同时实现异常类型分类、异常数据修复和异常位置分割，成为当前研究的一个重要课题。

本研究提出了一种基于教师-学生结构（Teacher-Student Structure, TS）的多任务学习框架，用于同时完成上述三个任务。该框架的核心思想是将异常数据的分类、修复和分割任务进行统一处理，通过共享特征表示和优化任务间的协同关系，提升模型的整体性能。教师-学生结构是一种常见的多任务学习方法，能够通过教师模型的引导作用，提升学生模型的学习效果。在本研究中，教师模型负责生成高质量的特征表示，而学生模型则在这些特征的基础上完成分类、修复和分割任务。

为了实现异常数据的修复，本研究引入了一种基于教师-学生结构的特征修复模块。该模块能够自动纠正异常数据中的错误表示，同时保留正常数据的特征信息。此外，为了提升分类任务的准确性，本研究设计了一种修正注意力机制（Correction Attention Mechanism），该机制能够引导分类模型关注正常数据的部分，从而提高分类效果。通过将修复和分类任务进行联合优化，模型能够更全面地理解数据的特性，并提升其在复杂环境下的鲁棒性。

在异常数据的分割任务中，本研究引入了一种语义分割模型（Semantic Segmentation Model, SS）。该模型能够对异常数据进行点级分割，从而准确识别异常区域。与传统的分类和重构方法相比，语义分割模型能够同时提供异常类型和位置信息，使得故障检测更加精准和高效。然而，目前大多数语义分割模型主要用于图像和三维点云数据，而较少应用于时间序列数据。因此，如何将语义分割模型应用于时间序列异常检测，成为本研究的一个重要挑战。

为了验证所提出方法的有效性，本研究使用了两个典型的工业数据集：滚动轴承数据集（Case Western Reserve University, CWRU）和液压泵数据集（Helwig）。滚动轴承作为最常见的故障检测设备之一，其振动信号通常被用于故障分析。CWRU数据集是这一领域的经典数据集之一，包含了多种故障模式下的振动信号数据。液压泵作为另一种常见的工业设备，其运行状态同样受到环境噪声和负载变化的影响。通过在这些数据集上进行实验，本研究验证了所提出方法在实际应用中的有效性。

实验结果表明，与单独训练的模型相比，联合训练的多任务学习框架在异常检测、数据修复和数据分割任务中均表现出更优的性能。这一结果表明，通过多任务学习技术，可以有效提升模型的鲁棒性和泛化能力，使其在复杂工业环境中具备更强的适应性。此外，实验还表明，修正注意力机制和语义分割模型的引入，能够显著提升模型在异常数据处理中的准确性和效率。

在本研究中，还探讨了多任务学习框架的结构设计和优化策略。教师-学生结构被用于指导学生模型的学习过程，使得学生模型能够更有效地处理异常数据。此外，为了提升模型的泛化能力，研究还引入了多任务学习中的共享特征表示机制，使得多个任务能够共享部分特征信息，从而减少计算成本并提升模型的整体性能。

本研究的贡献主要体现在三个方面：首先，提出了一种基于教师-学生结构的异常数据分类和修复方法，该方法能够有效处理包含多种异常的传感器数据；其次，设计了一种基于语义分割模型的新型异常检测方法，能够同时实现异常类型分类和位置分割；最后，将这三个任务整合到一个统一的模型中，使得模型能够更高效地处理复杂的数据问题。

在实际应用中，传感器数据的异常检测和修复不仅需要准确识别异常类型和位置，还需要对异常数据进行有效的修复，以提升后续分析的准确性。因此，如何在不依赖高质量数据的前提下，实现高效的异常检测和修复，成为当前研究的一个重要方向。本研究提出的方法为这一方向提供了新的思路和解决方案，能够有效提升工业设备故障检测的整体性能。

本研究的实验部分主要分为两个阶段：首先，对所提出方法进行了消融实验，以验证各个模块对模型性能的影响；其次，与现有的方法进行了对比实验，以评估所提出方法在实际应用中的优势。实验结果表明，所提出方法在多个任务中均表现出良好的性能，特别是在异常检测和数据修复任务中，模型的准确率和鲁棒性显著提升。

此外，本研究还探讨了多任务学习框架在工业应用中的潜在优势。通过将多个任务进行联合优化，模型能够更全面地理解数据的特性，并提升其在复杂环境下的适应性。同时，通过共享特征表示，模型能够减少计算成本，并提升整体性能。这些优势使得多任务学习成为工业设备故障检测领域的重要研究方向。

在未来的工业应用中，随着传感器技术的不断发展，传感器数据的复杂性和多样性将进一步增加。因此，如何设计更加鲁棒和高效的异常检测和修复方法，成为研究的重要课题。本研究提出的方法为这一课题提供了新的思路和解决方案，能够有效应对传感器数据中的异常问题，并提升工业设备故障检测的整体性能。

综上所述，本研究通过提出一种基于教师-学生结构的多任务学习框架，实现了对异常传感器数据的分类、修复和分割任务的联合处理。该方法不仅能够提升模型的鲁棒性和泛化能力，还能够有效减少计算成本，提升整体性能。实验结果表明，所提出方法在多个任务中均表现出良好的性能，特别是在异常检测和数据修复任务中，模型的准确率和鲁棒性显著提升。未来，随着工业环境的不断变化和传感器技术的进一步发展，该方法有望在更多实际应用中发挥重要作用。