基于BiLSTM-注意力-KAN混合架构的船用发动机可解释预测性维护研究

《Journal of Marine Science and Engineering》：Explainable Predictive Maintenance of Marine Engines Using a Hybrid BiLSTM-Attention-Kolmogorov Arnold Network

本文提出BEACON混合架构，将双向长短期记忆网络（BiLSTM）、注意力池化（Attention Pooling）和Kolmogorov Arnold网络（KAN）相结合，用于船用发动机气缸级排气温度（EGT）预测。该模型在集中式和联邦学习（FL）设置下均表现出色，RMSE达0.5905，MAE为0.4713，R2约0.95，并能生成可解释的响应曲线和稳定的SHAP特征排名。研究首次在联邦学习环境中评估解释稳定性，BEACON在非独立同分布（Non-IID）数据下保持高精度，且客户端间SHAP排名一致性显著优于基线模型。

　　

研究背景与挑战

船用发动机作为全球贸易的核心动力源，其可靠性直接关系到航运效率与合规性。随着“航运4.0”和“船舶物联网”（IoS）的发展，传感器数据为预测性维护（PdM）提供了新机遇。然而，传统模型依赖专家校准，难以适应复杂工况；深度学习模型虽精度高，但缺乏可解释性，阻碍其在安全关键场景的应用。此外，数据碎片化问题使集中训练面临隐私和异构性挑战，联邦学习（FL）成为潜在解决方案，但非独立同分布（Non-IID）数据会导致模型偏差和解释不一致。

模型架构：BEACON的设计与原理

BEACON采用序列到标量的预测框架，其核心由四部分组成：

1. 1.
   双向LSTM编码器：通过多层BiLSTM提取多变量时间序列的时序特征，捕获前后向依赖关系。
2. 2.
   注意力池化机制：利用软注意力权重聚合时间步信息，生成上下文向量，突出关键历史时刻。
3. 3.
   KAN模块：替代传统多层感知机（MLP），使用B样条基函数、Swish和正弦函数构建可学习的单变量映射，输出可通过 spline 曲线可视化。
4. 4.
   轻量级MLP头部：校准KAN输出，并通过残差连接整合基线EGT值，提升预测稳定性。
   训练目标结合均方误差（MSE）和 spline 正则化项，抑制振荡，确保函数平滑性。

实验设计与评估

研究采用某散货船主发动机数据，以气缸1的EGT为预测目标，筛选12个物理相关特征（如燃油负载、扫气温度等）。窗口长度设为48时间步，预测未来一步EGT。基线模型包括BiLSTM-Att-MLP、时序KAN（TKAN）、改进二进制鲸鱼优化LSTM（IBWO-LSTM）和NARX模型。联邦学习设置包含5个客户端，采用Dirichlet分布（α=1.0）模拟适度非IID数据，使用FedAvg聚合策略。

结果分析：精度与可解释性双优

• •
  集中式性能：BEACON在RMSE（0.5905）、MAE（0.4713）和R²（≈0.95）上均优于基线，误差波动性最低。散点图显示其预测接近理想校准线，而NARX和IBWO-LSTM偏差较大。
• •
  可解释性：SHAP分析表明，历史EGT和燃油负载是主导特征，贡献度远超其他变量（如燃油进口压力、扫气温度）。部分依赖曲线显示，BEACON对历史EGT响应接近线性，对燃油负载呈饱和增长，符合热力学规律。
• •
  联邦学习稳定性：在非IID设置下，BEACON的联邦R²达0.938，且客户端间SHAP排名的平均Spearman相关系数>0.8，Kendall系数>0.6，Jaccard相似度@5接近0.7，显著高于基线模型（如BiLSTM仅0.3–0.5）。热力图进一步验证其跨客户端解释一致性。

消融实验与机制验证

消融研究显示，仅使用KAN-MLP（无时序编码器）时性能急剧下降（RMSE≈3.31），证明BiLSTM是捕获时序依赖的关键。将BiLSTM的MLP头替换为KAN头（BiLSTM-KAN）后，RMSE从0.7584降至0.7475，说明KAN能更精确地建模非线性响应。完整BEACON架构进一步整合注意力机制和残差连接，在精度和稳定性上达到最优平衡。

结论与展望

BEACON通过混合设计实现了高精度预测与可解释性的统一，尤其在联邦学习中展现出解释稳定性优势，为隐私敏感的船用发动机维护提供了可靠基础。未来工作可扩展至多气缸预测、更强非IID场景验证，以及结合个性化联邦学习策略，进一步提升模型实用性和泛化能力。