基于残差损失自适应的领域约束自编码器无监督旋转机械健康指数估计方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Unsupervised health index estimation in rotating machinery via domain-constrained autoencoders with residual-based loss adaptation

　　

研究人员提出了一种领域约束自编码器（domain-constrained autoencoder）用于无监督健康指数（Health Index, HI）估计。基于残差的损失加权（residual-based loss weighting）自适应地调节退化约束（degradation constraints）。课程引导训练（curriculum-guided training）缓解了向非信息性HI趋势（non-informative HI trends）的坍缩。该方法在轴承基准数据集（bearing benchmarks）上改善了趋势性（trendability）和一致性（consistency）。

当代工业中，机械维护范式已从传统反应式和基于时间的预防策略转向主动预测框架。为最大化资产可靠性、可用性和运行效率，故障预测与健康管理（Prognostics and Health Management, PHM）领域获得重要发展。PHM处于现代状态监测技术的核心，联合利用数据驱动方法和工程领域知识开发异常检测、故障诊断和预测解决方案。然而，随着PHM系统日益依赖大量异构数据，资产健康的有效表示成为持续挑战：监测数据可能仅提供真实健康状态演化的部分、含噪声或间接观测，且同一资产可能共存多个健康指标，使制定连贯监测策略复杂化。

为此，基于健康指数（Health Index, HI）的方法已成为PHM框架的关键使能要素，将多维状态信息综合为单一、一致且可解释的度量，在原始状态数据与维护动作间建立定量联系，从而支持诊断、预测和维护决策。然而，HI构建面临重大实际障碍：真实工业环境中完整失效前全周期（run-to-failure）轨迹有限。监督方法通常依赖退化标签或基于运行时间、剩余使用寿命（Remaining Useful Life, RUL）或假设退化轮廓的代理目标，这些目标引入的假设可能无法反映真实物理磨损，限制模型泛化能力。作为回应，无监督学习方法，特别是基于自编码器（Autoencoder, AE）的框架，已成为HI构建的主流架构，通过压缩和重构输入信号，无需显式退化标签即可提取退化敏感潜在表示。该价值在航空航天、可再生能源和重型制造尤为突出，这些部门将资产运行至失效在经济或操作上不可行。旋转机械构成关键资产类别，其中滚动轴承在实现可靠旋转运动中发挥核心作用；由于持续动态载荷、多变运行应力和恶劣环境，轴承极易渐进退化。因此，可靠的轴承HI估计是评估旋转机械退化状态和运行完整性的重要手段。

尽管公开标准全周期数据集推动了HI模型发展，但构建同时具备信息性、单调性、有界性和泛化能力的HI仍具挑战。现有基于AE的方法通常需要预定义退化目标、手动调节惩罚权重或额外后处理假设才能获得结构一致的HI轨迹。由Antonio Nappa、Jose I. Aizpurua和Ander García组成的研究团队指出，这促使研究人员需要一种无监督HI构建策略，能够嵌入退化信息约束并在训练过程中自适应平衡其影响。

研究人员在PRONOSTIA和XJTU-SY两个公开轴承全周期数据集上开展验证。信号预处理对水平加速度计采集的振动信号依次进行去趋势、解析信号包络提取、五阶零相位Butterworth低通滤波（截止频率5 kHz）及按操作条件分别计算的Z-score归一化。模型采用卷积自编码器（Convolutional Autoencoder, CAE）架构，以多节点潜在表示替代传统单节点瓶颈，将归一化负载与转速作为条件变量沿时间广播后拼接为三通道输入。编码器通过一维卷积与最大池化提取分层时序特征，解码器重构振动信号；HI预测头采用全局平均池化与全局最大池化混合策略，经多层感知机（Multi-Layer Perceptron, MLP）输出标量HI。训练过程嵌入三项领域约束：趋势性（Trendability）通过软秩近似惩罚HI与归一化运行时间的负Spearman相关偏差；单调性（Monotonicity）以ReLU惩罚局部正增量；边界限制（Boundary limits）约束HI位于[0,1]区间。总损失L = L_R + α_T·L_T + α_M·L_M + α_B·L_B，其中L_R为重构损失，L_T、L_M、L_B分别为对应惩罚项。研究人员提出课程引导初始化与基于残差的乘子更新策略：按逐轴承批次构建样本并施加逆寿命加权，在epoch层级依据最大绝对残差均值动态调节各约束权重，避免约束间破坏性竞争及模式坍缩。后处理采用因果指数移动平均（Exponential Moving Average, EMA）及条件级min-max缩放。

4.1 性能评估与对比
研究团队在PRONOSTIA和XJTU-SY数据集上将所提出框架与基于约束引导梯度下降（Constraint-Guided Gradient Descent, CGGD）的卷积自编码器（CGGD based CAE, CCAE）基准方法对比，每个训练过程重复10个随机种子。在趋势性（Trendability, Tre）方面，所提框架在未见测试单元上展现更强泛化能力。PRONOSTIA条件1测试集平均趋势性达-0.90，而基准模型仅-0.07，且部分单元出现正相关。XJTU-SY测试集平均趋势性从约-0.12提升至约-0.82。Welch's t-test统计检验表明，在XJTU-SY全部单元及PRONOSTIA条件1大多数测试单元上，改善具有统计显著性（p<0.05）。在一致性（Consistency, Con）方面，所提框架通过归一化互信息度量产生更可重复退化模式，XJTU-SY测试集平均一致性提升约15%，多数单元差异显著。鲁棒性（Robustness, Rob）方面，基准模型局部波动更小通常得分更高，但所提方法以约4%–5%的代价换取更优全局退化趋势保持。此外，所提方法在趋势性和一致性上表现出更低种子间标准差。

4.2 约束优化与训练动态消融研究
消融研究在PRONOSTIA数据集上逐epoch追踪六种递进复杂度的配置。单独使用趋势性约束时，网络虽最小化惩罚值，但HI变异集中于最终退化阶段；单独使用单调性约束时，网络输出近似平坦轨迹。二者以静态权重组合时，全局与局部约束梯度发生破坏性竞争，导致严重模式坍缩，网络输出恒定平线。采用动态残差更新但以等权重初始化时，单调性乘子在初始阶段急剧增大，触发过早坍缩。引入课程引导初始化后，趋势性权重α_T初始化为1.0，边界限制权重α_B初始化为0.1，单调性权重α_M初始化为近零值10^-4，网络先通过重构与全局趋势性学习退化敏感表示，再逐步施加局部修正，避免早期竞争。最终完整框架纳入边界限制，成功平衡所有竞争目标，生成从健康到严重故障的渐进递减HI轨迹。

本研究针对无监督HI构建中多个退化信息目标联合优化的挑战。传统深度学习架构在无限制性预处理假设、手动配置惩罚权重或优化器级约束强制的情况下，难以提取物理有意义的退化趋势。为此，研究人员提出卷积自编码器框架，将领域知识约束直接嵌入损失函数，并通过课程引导残差加权策略调节。残差驱动乘子更新依据训练期间观测到的约束残差向量r_k,b，计算各批次最大绝对残差的epoch均值c?_k = 1/n_b∑max(|r_k,b|)，进而依据偏差Δ_k = c?_k - c_target自适应调整趋势性、单调性和边界限制的影响；课程引导初始化建立约束间层级关系，使模型先学习退化敏感潜在表示，再逐步强制局部单调与边界修正。消融研究表明该组合至关重要：静态权重或不适当初始化的动态更新会导致退化、近平坦的HI轨迹，而所提策略能稳定训练并保留信息性退化变异性。

在PRONOSTIA和XJTU-SY数据集上的评估及与CCAE基准的对比表明，所提方法在未见测试轴承上通常实现更强的负趋势性和更高跨单元一致性。在XJTU-SY数据集上，测试集平均趋势性从约-0.12改善至约-0.82，平均一致性提升约15%。尽管伴随局部鲁棒性适度降低，但所得HI轨迹更好地保持了预测解释所需的全局退化时间结构。随机种子间变异性的降低进一步表明该优化策略提升了生成HI表示的可重复性。

然而仍存在若干局限。首先，小型全周期数据集中统计代表性验证轨迹的缺乏使模型选择与回调配置困难。尽管所提框架减少了对固定静态损失权重的平衡需求，但惩罚更新率、初始化值和停止准则仍需经验校准。其次，PRONOSTIA操作条件2表现出的困难提示某些退化轮廓可能涉及领域偏移和显著组内变异，超出当前特征表示所能捕捉的范围，这对所提框架和基准模型均构成挑战。第三，框架施加的具体启发式约束集取决于操作场景。趋势性与单调性惩罚适用于不间断全周期基准；但在具有间歇维护、部分恢复、延迟退化起始、自愈合行为或运行工况偏移的工业环境中可能受限。未来工作将研究操作条件的替代纳入机制，包括学习条件嵌入和特征级调制，并聚焦不变表示学习、自适应条件感知归一化和迁移学习。尽管残差加权策略的数学生成独立于具体资产类型，但本研究在滚动轴承HI估计上评估其性能，将框架扩展至其他PHM任务对于评估其广泛适用性确有必要。总体而言，结果表明课程引导残差约束平衡为在无监督预测环境中构建可靠、可重复且物理一致的HI提供了颇具前景的基础。