一种基于生产连续性指导的、具有领域泛化能力的拓扑Transformer模型，用于生产线实时健康状况评估

《JOURNAL OF MANUFACTURING SYSTEMS》：A production continuity-guided domain-generalized topological transformer for production line real-time health assessment

　　• 通过生产线停机时间而非仅靠准确性来量化诊断决策的效果。• 使用随时间变化的设备重要性构建非计划停机风险矩阵。• 提出一种两阶段多任务训练策略，以增强领域泛化能力并对风险有意识。• 在轻微的准确性损失下，分别将停机时间减少16.88%、47.08%和26.74%。

引言
制造业系统的智能化转型对生产系统的可靠性和运行连续性提出了严格要求[1]。近年来，基于深度学习的数据驱动故障诊断技术取得了显著进展[[2], [3], [4]]，能够从大量传感器数据中自动提取故障特征，从而实现预测性和主动性维护[5,6]。然而，现有的研究大多遵循“以准确性为导向”的范式，其中模型训练的主要目标是最大化整体识别性能[7,8]。例如，Wan等人[9]提出了一种基于变分模式分解-卷积神经网络-残差网络的方法用于航空发动机轴承故障诊断，在四种工作条件下实现了94.4%-100.0%的准确性。Lu等人[10]提出了一种基于谱对齐和深度迁移卷积神经网络的故障诊断方法，其在变速条件下的平均准确率达到97.76%。Bai等人[11]提出了一种基于时间卷积网络-双向长短期记忆模型的工业时间故障预测方法，与基线模型相比，测试损失减少了15.54%-20.79%。Wan等人[12]提出了一种基于5G边缘计算的深度学习方法用于实时航空发动机齿轮故障诊断，针对六种齿轮故障类型实现了99.03%的准确性。这些努力旨在开发具有更强区分能力的特征提取器或分类器。但这种以准确性为导向的范式存在两个主要限制：首先，传统方法主要关注单个设备单元，将诊断过程与制造系统的流程和信息流分离，未能在生产线层面提供全面的健康评估，并忽略了误诊造成的实际损坏和业务风险。其次，对于不同类型的故障，现有方法通常统一训练识别能力，忽略了故障严重性的内在差异。至关重要的是，由于设备在制造过程中的可替代性不同，误判导致的停机成本也存在显著差异。因此，制造业系统的故障诊断方法不仅应考虑诊断准确性，还应考虑不同决策对生产线造成的实际业务风险。

为了量化上述制造业系统的业务风险，可以将生产连续性[13]引入诊断过程。这是一个关键指标，反映了制造系统持续输出合格产品的能力，直接影响交付周期、运营成本和市场竞争力。非计划停机是其主要的干扰因素。因此，通过精确的诊断来最小化停机风险对于确保生产连续性至关重要。尽管一些现有的生产线监控研究已从整体设备效率或维护调度的角度探讨了设备健康管理[14]，但很少有研究明确将非计划停机的业务风险纳入诊断决策过程。大多数当前的故障诊断研究仍仅关注故障模式识别的准确性，未能直接将诊断决策与这一核心业务风险联系起来。这导致了诊断决策与实际业务需求之间的差距。同时，流程流的变化进一步增加了将生产连续性整合到诊断过程中的难度。具体来说，生产流程经常需要重新配置以适应不同的产品，设备的可替代性也随流程流而变化。同一设备停机对生产连续性的影响在不同的流程流中有所不同。这些时变因素显著影响生产连续性的评估。此外，训练数据通常是在单一流程配置下收集的，而诊断模型必须泛化到未见过的生产流程。在这种情况下，一个对风险敏感的故障诊断模型必须能够在不收集所有可能流程数据的情况下适应不同的生产流程。

此外，故障诊断模型的设计仍然面临两个常见挑战：第一个挑战是由于模型训练期间可用故障样本的稀缺[15,16]。为了解决这个问题，研究人员使用图神经网络（GNNs）将样本表示为节点，将它们的相似性表示为边，从而构建图结构，利用拓扑关系来增强特征的可区分性[[17], [18], [19]]。例如，Li等人[20]构建了一个异构图，捕捉了振动数据、故障信息和速度条件之间的最近邻关系，在少样本场景中实现了高精度。最近，基于图变换器的方法通过结合多头自注意力机制进一步改进了故障特征表示，以捕捉长距离依赖性[21]。例如，Han等人[22]开发了一种具有双重引导注意力的结构感知异构图变换器，以增强多模态和多条件旋转机械故障诊断的区分特征学习。尽管取得了这些进展，它们仍然存在两个限制：1）它们主要采用节点分类范式，每当新测试样本出现时都需要进行全局图重建和模型重新训练，使得实时设备状况监控不切实际；2）更关键的是，它们仅仅专注于提高特征提取和模式识别的准确性，而忽略了诊断决策与实际业务风险之间的内在联系。第二个挑战是由可变工作条件引起的领域转移[23]。为了解决这个问题，广泛探索了领域适应[24]和领域泛化[25]技术，以在不同领域中对齐特征分布。代表性的方法包括最小化平均差异（MMD）[26]和对抗性训练[27]。例如，Liu等人[28]提出了一种基于因果表示学习和因果特征识别的领域泛化框架，以在未见过的操作条件下提高故障诊断性能。Yang等人[29]开发了一种基于知识融合的领域泛化框架，并结合动态温度蒸馏来提高在未见条件下的诊断泛化能力。尽管这些方法在提高跨领域识别准确性方面有效，但它们本质上仍然是以准确性为导向的。它们的核心目标是学习领域不变的特征表示，以在未见过的领域上最大化分类准确性，而没有考虑对齐的特征是否有助于减少因关键设备误报或漏检而造成的生产线业务风险，也没有区分不同误分类情景的不对称后果。

总之，为了将生产连续性作为核心业务风险指标来增强它，迫切需要一个能够感知和保护它的生产线级健康评估框架。然而，这样的框架面临着四个主要挑战：
(1) 跨流程适应性：所提出的考虑业务风险的诊断方法必须在不需要从所有流程收集大量数据和模型重新训练的情况下，在不同的生产流程配置中保持有效性。
(2) 多个训练目标之间的权衡：模型必须同时实现高准确性、风险意识和跨工作条件泛化。在少样本设置下平衡这些相互冲突的目标是一个重大的优化挑战。
(3) 跨工作条件的领域转移：不同的速度和负载会导致训练数据和测试数据之间的领域转移；模型必须能够在不失去业务风险敏感性的情况下泛化到未见过的条件。
(4) 基于GNN的诊断模型的实时部署：GNNs通过利用拓扑信息已被证明对少样本故障诊断有效，但主流的基于节点分类的GNNs需要对每个新样本进行全局图构建和模型重新训练，使得实时部署不切实际。

为了解决上述挑战，提出了一种名为非计划停机最小化驱动的领域泛化拓扑变换器（UDMDGTT）的生产线级健康评估框架。与以往以准确性为导向的故障诊断方法不同，这项工作首次将生产连续性作为业务风险指标纳入故障诊断模型。通过最小化非计划停机时间，UDMDGTT使诊断模型具备感知业务风险的能力，使模型不仅“准确”，而且“明智”。具体来说，本文的贡献如下：
(1) 提出了不同流程中设备重要性随时间变化的概念，并将其整合到故障诊断模型的训练过程中。这种方法使模型能够在不需要新的流程数据或重新训练的情况下，适应性地感知不同流程配置下的设备可替代性差异。通过明确将诊断决策边界与生产连续性指标联系起来，有效减少了因关键设备误诊导致的非计划停机风险。
(2) 为了同时优化分类准确性和停机时间最小化，提出了一种基于多任务损失的两阶段训练策略。在第一阶段，仅优化分类损失以建立稳定的特征基线。在第二阶段，通过热身策略逐渐引入所有损失项。这种解耦的设计减轻了过拟合和欠拟合的风险，在多个目标之间实现了最佳权衡。
(3) 为了解决由不同工作条件引起的特征分布变化问题，设计了一种结合对抗性领域不变学习与拓扑感知自注意力的混合特征提取结构。通过梯度反转和特征重建正则化的协同作用，它在保持领域不变性的同时保留了故障关键信息，使得在未见过的工况下能够稳定地识别故障。
(4) 提出了一种基于图分类的端到端实时诊断框架。它通过单个图的前向传播进行故障分类，避免了在整个数据集上进行图重建和模型重新训练。这为GNNs在实时监控场景中的工程部署提供了可行的途径。

本文的其余部分组织如下。第2节介绍相关定义和问题描述。第3节详细阐述了提出的UDMDGTT。第4节展示了实验结果。最后，第5节总结了本文并概述了未来的工作。

理论基础
本节旨在系统而清晰地阐明关键定义和问题，为后续方法论奠定理论基础。首先，我们定义了基本的制造系统模型、设备状态、维护类型和生产连续性。随后，我们给出了设备重要性的概念和量化方法，并介绍了非计划停机风险矩阵（USRM）的构建逻辑。最后，基于这些定义和概念，我们提出了UDMDGTT。

在本研究中，我们关注生产线停机作为主要业务风险，并提出了一种名为UDMDGTT的生产线级健康评估框架，用于生产线级别的故障诊断，如图1所示。该框架由四个部分组成。首先，引入了设备重要性随时间变化的概念，以量化生产线停机的风险，可以从当前流程-设备分配关系中快速计算得出。其次，

实验设置
为了全面评估所提出方法的诊断性能和停机风险意识，我们使用一台车床（CK6150 CNC车床）和两台铣床（HMC-200i/5a五轴立式加工中心）构建了一个制造系统。尽管这两台铣床是同一型号，但由于服务时间不同，其中一台只能用于粗加工操作。我们收集了四种类型的车床主轴故障数据和三种类型的铣床故障数据。

结论
本研究提出了UDMDGTT，一种以生产连续性为导向的生产线级设备健康评估框架。该框架将设备重要性的时间变化、非计划停机风险矩阵和跨工作条件领域泛化诊断模型整合到一个统一的训练框架中。与一些仅追求分类准确性的先进图变换器和领域泛化方法相比，所提出的UDMDGTT进一步感知了差异。

作者贡献声明
张欣：撰写 – 原始草稿、方法论、调查、形式分析、数据管理、概念化。
郝建成：验证、软件、方法论。
潘龙业：可视化、验证、数据管理。
朱彤：可视化、方法论、调查。
严子普：可视化、软件、形式分析。
卢洋龙：撰写 – 审稿与编辑、监督、资源管理、项目管理和资金获取。

利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢
本项工作得到了香港创新科技委员会（编号ITS/080/23）的支持。

张欣 | 郝建成 | 潘龙业 | 朱彤 | 严子普 | 卢洋龙