《Engineering Applications of Artificial Intelligence》：Separable physical spatiotemporal graph message aggregation for fault diagnosis
编辑推荐：
多传感器故障诊断中时空关联建模与物理衰减特性分析，提出SPSGMA方法，通过物理属性时空图构建、波let频率选择及可分离信息聚合网络，有效解决信号跨传感器衰减问题，在三个数据集上平均诊断精度达99.99%-99.93%。
孙匡驰|尹爱军|胡一华
重庆大学机械与车辆工程学院，重庆，400044，中华人民共和国
摘要
时空图已成为研究热点，因为它能够在多传感器故障诊断中挖掘时空信息。然而，现有方法在故障特征通过跨传感器时空相关性传递到下一个传感器时，并未充分考虑边的物理衰减特性。此外，现有的时空卷积网络主要关注所有节点的信息整合和网络结构设计，而没有实现具有不同属性的边信息的聚合。为了解决这些问题，我们提出了用于故障诊断的可分离物理时空图消息聚合（SPSGMA）。首先，提出了一个跨传感器的物理连接属性的时空图，以不同属性分配给不同的边。然后，提出了一种新颖的小波频率选择方法用于不同物理边的节点特征提取。最后，设计了一个可分离的消息聚合网络，以实现不同物理边上频率消息的聚合和分类，而不是统一特征提取。使用三个不同的数据集来验证SPSGMA的有效性。与其他方法相比，SPSGMA在长链传感器数据诊断中取得了最佳的诊断性能，其平均诊断准确率分别为99.99%、98.59%和99.93%。
引言
机械设备的故障诊断是设备预测性维护的关键手段。然而，很少有研究关注多传感器检测过程中跨传感器故障特征信号衰减的问题，特别是对于直升机尾部传动系统这样的长链传输系统。多传感器监测是机器中的关键手段。其传输系统包含传动轴、轴承和联轴器，这些部件可能会出现错位和相互干扰。此外，如果忽略噪声的影响，当故障特征信号从靠近故障发生的位置（核心传感器）传输到其他辅助传感器时，会发生能量衰减，如图1所示。这一过程不可避免地会在传感器之间引入物理信息。
人工智能技术的快速发展催生了各种智能诊断方法。各种神经网络已被应用于故障诊断研究，例如卷积神经网络（Xue等人，2025年）、自编码器（Yuan等人，2024年）、生成对抗网络（Guo等人，2025年）等。为了解决跨工作条件下源机器和目标机器之间标签不一致的问题，Sun等人设计了一个共享类判别器来实现边界类的识别（Sun等人，2024a）。提出了一种新颖的数据去中心化联邦学习方法用于机器组诊断（Yang等人，2025年）。
然而，所有这些网络都有一个缺点，即它们无法实现传感器之间的关系挖掘，尤其是在多传感器监测中。与传统的神经网络模型相比，图神经网络构建了图数据并探索了数据之间的相关信息（Yu等人，2023年）。此外，许多图神经网络模型也被应用于机械故障诊断（Mao等人，2024年；Cui等人，2025年）。为了解决卷积神经网络中未知规模和可变工作条件下的诊断问题，提出了一个用于机器故障诊断的簇图卷积网络（Sun等人，2022年）。
尽管这些图神经网络模型在故障诊断研究中取得了良好的结果，但许多神经网络的图构建过程并不清晰，而且基于图的故障诊断中的许多图构建方法仅基于数据分析方法。使用Top-K算法进行图构建，然后设计图卷积神经网络进行跨条件故障诊断（Li等人，2021年）。在机械故障诊断研究中使用了各种图构建方法，如KNN图、残差图和路径图（Li等人，2022年）。近年来，时空图受到了广泛关注，因为它可以挖掘空间信息和时间信息之间的关系。通过分析信号的时间频率特征，提出了一种用于机器故障诊断的超图（Yang等人，2022年）。尽管这些时空图实现了时空关系的挖掘，但这些图构建方法没有将传感器本身作为节点。为了解决这个问题，Sun等人提出了一种多传感器时空图构建方法。该图将传感器本身作为节点，传感器数据作为边信息，并设计了经验模态卷积以实现诊断目的（Sun等人，2024b）。
令人困扰的是，传统神经网络的卷积过程并不清晰，这导致神经网络模型的可解释性较差。已经提出了许多可解释的神经网络模型用于机械故障诊断。提出了一种时间频率变换可解释神经网络模型，可以对信号进行时间频率卷积（Chen等人，2024年）。物理知识的探索已成为最近的研究热点。利用物理知识设计了可解释的深度神经网络模型来评估齿轮损伤的程度（Li等人）。为了实现图的卷积过程，设计了一种图小波卷积核用于机械故障诊断（Li等人，2024年）。实际上，故障诊断过程中的知识信息，即物理属性，是关键的研究点（Yan等人，2025年）。
尽管上述研究取得了出色的诊断结果，但关于信号传输过程中的物理属性的研究相对较少。此外，很少有研究从时空图信息传播的角度直接分析多传感器传感器监测过程中的时空属性。一方面，靠近故障端的传感器的故障特征信号比其他传感器更明显，而在传输到其他传感器时信号会衰减。另一方面，现有的时空图没有考虑将物理属性整合到消息传递过程中。大多数时空网络关注卷积核的设计。为了弥合这一差距，我们提出了SPSGMA用于机器故障诊断。总体而言，现有研究的局限性可以总结如下：（1）现有的时空图构建方法是数据分析方法；（2）传统的时空图没有分析跨传感器时空相关的信号衰减特性；（3）现有的图网络诊断研究主要集中在网络设计上，很少有研究分析时空图中信息传输过程的物理属性。受这些问题的启发，我们提出了SPSGMA用于机器故障诊断。本文的主要贡献总结如下：
(1)提出了一种新的可分离时空图构建方法。它可以从信号衰减的物理属性角度更新不同的边，解决了传统方法仅融合边信息的局限性。
(2)提出了一种新的频率选择方法。它可以自动关注高频和低频信息，并对不同类型的边上的节点进行特征提取。
(3)提出了一种新的光谱边消息聚合方法，可以感知边属性并实现不同物理边的光谱消息聚合。
本文的其余框架组织如下。第2节介绍了本文相关理论的初步内容。第3节是所提出的SPSGMA的方法论。第4节进行了不同的实验来验证SPSGMA的有效性。第5节是分析和讨论，进一步讨论SPSGMA的有效性。第6节是消融实验，以说明SPSGMA的合理性。第7节是本文的结论。
章节片段
基本理论
小波分析是处理非静态信号的强大工具。与传统的傅里叶变换相比，离散小波变换（DWT）可以将信号分解为不同的基函数。
DWT的核心在于设计尺度函数
和小波函数。尺度函数可以提取信号的低频信息。小波函数可以提取信号的高频信息。这可以表示为：可分离物理时空图
传统的时空图数据在实现时间边和空间边的连接方面花费了大量努力。然而，在多传感器振动监测中，很少有研究分别分析不同边的属性信息，其组合过程通常只是简单整合不同边的属性信息。特别是对于跨传感器监测过程中的故障特征信息衰减，很少有研究进行分析
实验
为了验证所提出方法的有效性，我们使用了模拟的直升机链传动系统实验平台和凯斯西储大学数据集进行验证。实验代码是用Python编写的，基于Pytorch深度学习框架。硬件配置为Intel Core i7-12700F和Nvidia RTX3060。在网络训练期间，我们设置优化器为Adam，学习率为0.001。并且，采样
训练过程分析
我们通过使用训练样本到测试样本为0.1的任务A、任务B和任务C期间的测试准确率变化曲线和损失曲线，进一步分析了所提出方法的有效性。实验结果如图11、图12、图13所示。从图11、图12、图13的曲线中，我们可以发现所提出的SPSGMA在训练的最后阶段比比较方法具有更好的诊断准确性。
消融实验
为了分析我们提出的神经网络模型的合理性，我们在训练样本到测试样本为0.1的任务A下对不同的网络配置进行了消融实验。我们分别比较了三种不同的网络设计，包括：（1）原始：表示没有残差结构的直接输出；（2）时间：表示边的属性是时间边零，用于分析聚合的有效性；（3）空间：表示聚合的
结论
在本文中，我们提出了一种基于物理属性分析的新型诊断方法，即SPSGMA。为了验证所提出的SPSGMA的有效性，我们分别使用了三个不同的数据集进行了验证和分析。实验结果表明，与其它方法相比，所提出的方法可以获得最佳的诊断准确性。本文的主要结论总结如下：（1）我们设计了一种新的时空图，不仅可以
孙匡驰：写作——审稿与编辑，写作——原始草稿，可视化，验证，软件，资源，方法论，调查，形式分析，数据管理，概念化。尹爱军：写作——审稿与编辑，监督，资源，项目管理，调查。胡一华：写作——审稿与编辑，监督，资源。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本文所述工作得到了国家自然科学基金（编号：52275518）、国家重点研发计划（编号：2023YFB3406100）和国家奖学金基金（编号：202406050106）的支持。
