编辑推荐：
在旋转机械运行中，异常检测意义重大。现有方法因异常数据稀缺、忽视非平稳条件而受限。研究人员提出基于信号变换和记忆引导多尺度特征重构（ST-MMFR）的方法，实验验证其有效且优越，提升了实际场景监测能力。
在现代工业生产和智能制造的大舞台上，旋转机械（如变速箱、泵和发电机等）无疑是其中的关键 “角色” 。随着设备自动化和集成度不断攀升，它们被寄予了更高的 “无故障工作” 期望。可现实却很残酷，这些机械常常要在恶劣的环境中 “摸爬滚打”，工作条件也频繁变化，这使得异常情况时有发生。一旦异常没有得到及时处理，就可能演变成严重故障，进而导致长时间停工停产，甚至引发灾难性事故，不仅影响经济收益，还会威胁到人员的生命安全。
为了守护工业生产的可靠性和安全性，旋转机械的状态监测至关重要。振动信号因其非侵入性且能直接反映机械运行状态的特性，成为状态监测的常用数据来源。但问题也接踵而至，异常数据的稀缺、不一致和不可预测性，让从海量振动数据中监测异常变得困难重重。
当前，异常检测在旋转机械状态监测领域已有多种方法，像基于分类、密度、树的方法等。不过，这些方法在特征提取上过于依赖人工和先验知识，普适性大打折扣。近年来，深度学习崭露头角，在复杂时间序列数据特征提取方面表现出色，自动编码器（AE）作为其中的代表，在异常检测中也展现出一定优势。但多数基于 AE 的方法主要针对平稳运行条件下的旋转机械，而现实中信号大多是非平稳的（即统计特征随时间变化），这就使得区分异常事件和因速度、负载变化引起的正常波动变得异常艰难。另外，AE 中解码器的泛化性难以控制，当正常和异常信号差异细微时，很容易混淆状态。
面对这些棘手问题，国内研究人员积极探索，开展了基于信号变换和记忆引导多尺度特征重构的旋转机械非平稳异常检测研究。最终他们发现，提出的新方法能够有效检测旋转机械在非平稳条件下的异常，显著提升了实际场景中的状态监测能力。该研究成果发表在《Engineering Applications of Artificial Intelligence》上。
研究人员采用的关键技术方法主要有：一是利用小波变换（将信号在时频域展开，揭示复杂特征，增强非平稳条件下正常与异常样本差异）；二是设计基于 AE 的异常检测网络，嵌入复合缩放特征提取网络提升特征提取能力，同时融入多级记忆模块调整 AE 的重构能力，抑制解码器不可控的泛化性 。研究使用了一个公开的变速数据集和一个装载机变速箱的真实数据集。
下面来看具体的研究结果：
- 信号变换：运用小波变换将采集到的信号转化为时频图，这样就能全面展现信号在多个时间和频率尺度上的成分，为后续分析提供丰富信息。
- 模型构建：构建基于 AE 的记忆引导多尺度特征重构（MMFR）异常检测模型。在编码器中嵌入复合缩放网络，平衡了特征提取性能和轻量化设计要求；设计多尺度记忆连接结构，学习分层的正常模式，让模型能灵活调整重构能力，准确重构正常样本，而对异常样本重构效果差，从而加大正常与异常样本间的区分度。
- 实验验证：通过在公开变速数据集和真实装载机变速箱数据集上实验，有力验证了所提方法的有效性和优越性，表明该方法能更好地适应现实场景中的复杂工况。
研究结论和讨论部分意义非凡。该研究聚焦于旋转机械在非平稳条件下的异常检测这一常被忽视的问题，提出的基于信号变换和记忆引导多尺度特征重构（ST-MMFR）方法，成功攻克了现有方法的多项难题。它不依赖大量异常数据，还能有效应对非平稳信号，显著提升了异常检测的准确性和可靠性。这不仅为旋转机械状态监测提供了更有效的手段，保障了工业生产的安全稳定运行，还为相关领域的研究开辟了新方向，推动了异常检测技术在工业场景中的进一步发展和应用 。
