三相感应电机的可靠性和效率对于许多工业应用至关重要，因此早期和准确的故障检测至关重要。三相感应电机以其坚固性和可靠性而闻名（IMARC Services Pvt. Ltd., 2023）。这些电机为许多行业的泵、压缩机、输送机和风扇提供动力（Siddiqui et al., 2014）。尽管设计坚固，但意外故障——尤其是微妙的故障——可能导致昂贵的停机时间或不安全的操作条件。传统的诊断框架主要依赖于特征分析，该方法通过识别与机械或电气缺陷相关的特征频率成分来进行故障检测（Karmakar et al., 2016）。虽然这些基于物理的技术有效，但需要精心设计的特征，并且难以处理现代工业系统中常见的复杂非平稳数据（Khanjani and Ezoji, 2021）。高频电流和振动数据的日益丰富促进了机器学习（ML）和人工智能（AI）的整合，以自动化和增强故障诊断。
机器学习的最新进展在推荐系统（Roy and Dutta, 2022）和医疗保健（An et al., 2023）等领域取得了成功，但其在工业故障诊断中的应用仍受到数据稀缺的限制。实际上，标记的故障数据集非常有限，因为电机很少接受破坏性测试（Peres et al., 2020）。因此，出现了两种主导但不完美的范式：（i）需要标记故障样本进行分类的监督模型（Fu et al., 2024, Ma et al., 2021）；（ii）仅依赖健康数据的无监督方法，但往往无法捕捉到初期故障的微妙频率特征（Jeong et al., 2023, Lin et al., 2020）。基于仿真的方法，如有限元或数字孪生建模（Zhang et al., 2023a, Liu et al., 2024, Pasqualotto and Zigliotto, 2022），试图填补这一空白，但需要大量的计算资源、复杂的参数化以及有限的适应性。
为了克服这些限制，我们提出了“特征引导的数据增强”（Signature-Guided Data Augmentation，SGDA）框架。SGDA是一种基于物理的数据生成和训练框架，可以应用于旋转机械诊断中使用的标准分类器之上。它将特定于故障的频率域成分注入到健康的电机电流谱中。SGDA利用电机的电磁关系生成与已知缺陷机制相对应的真实故障边带，从而生成合成但具有物理意义的故障数据，无需进行破坏性测试或手动模拟。
SGDA结合了两种范式的优点：它保留了基于模型的方法的可解释性和物理基础，同时实现了无监督机器学习的数据效率和可扩展性。该框架仅使用给定电机的健康运行信号进行训练，学习其特征频谱特征。一旦训练完成，它就可以作为该电机的故障检测器使用。同样的过程可以重复应用于任何其他电机，从而实现一个不需要预定义故障样本或模拟故障的基于AI的诊断框架。
本研究的主要贡献包括：
- 我们提出了一种完全无监督的故障诊断框架，仅需健康电机数据而无需故障或标记样本进行训练。SGDA是第一个能够完全从非故障运行中学习故障模式的基于增强的方法，无需模拟。
- 我们提出了一种完全无监督的故障诊断框架，仅需健康电机数据而无需故障或标记样本进行训练。SGDA是一种基于物理的数据增强和训练框架，使故障分类器能够仅使用健康电机数据进行训练，而无需依赖标记的故障样本或基于物理的模拟。
- 所提出的SGDA将物理上有意义的故障谐波直接引入健康电流信号的频率域。这些注入的边带对应于从电机电流特征分析中得出的分析频率，确保故障合成既符合物理原理又具有物理有效性。
- 与基于仿真或数字孪生的方法不同，SGDA无需任何有限元或多物理模型，从而显著降低了计算成本，并确保了在不同电机配置下的广泛应用性。
- 因为合成故障是在从电机电流特征分析中得出的分析频率下注入的，因此训练过程在频谱层面保持了直接的物理可解释性，不同于依赖潜在特征或注意力图的黑盒AI模型。
- 由于SGDA仅依赖于给定电机的配置和健康运行信号，因此可以在不需要模拟、CAD模型或故障复制的情况下对任何类型的电机进行训练和部署，实现了可扩展和适应性的工业应用。
接下来，我们将正式定义三相感应电机的故障检测问题，回顾相关文献，详细描述SGDA方法，并展示实验结果。最后，我们讨论了SGDA在工业应用中的意义，强调了其在处理数据稀缺性以及检测异常方面的能力及其局限性。
