MS-DAWCAE：一种基于多尺度深度对抗小波卷积自编码器的方法，用于在数据有限的情况下实现未知故障诊断

《Mechanical Systems and Signal Processing》：MS-DAWCAE: multi-scale deep adversarial wavelet convolutional autoencoder toward unseen fault diagnosis with limited data

　　陈竹云|沈俊杰|夏景炎|何景科|林鸿奇|高有鹏|李泽豪|李伟华|刘强中国广东省计算机集成制造重点实验室、精密电子制造技术及设备国家重点实验室、广东省计算机集成制造重点实验室，广东工业大学，广州510006摘要深度学习在机械故障诊断领域发展迅速。然而，由于故障样本有限以及新型故障类型的出现，其在实际应用中仍面临诸多挑战。为解决这些问题，本文提出了一种多尺度深度对抗小波卷积自编码器（MS-DAWCAE），用于小样本场景下的未知故障检测与已知故障诊断。该模型首先结合小波散射变换与多尺度卷积编码，提取能够捕捉局部异常和全局结构特征的层次化特征，从而提升已知类别的重建精度，同时增大未知故障的重建误差。随后，设计了一个带有双鉴别器的协同对抗学习模块，用于调节潜在特征表示并监督重建质量，有效压缩同类特征差异，增强已知与未知类别之间的区分度。此外，还将全连接分类器纳入多任务框架，以便在保持对新型故障敏感度的同时实现已知故障的精准识别。在工业数据集上的大量实验表明，与先进的机器学习和迁移学习方法相比，MS-DAWCAE在各种运行条件下的FST数据集上至少能获得0.90的F1分数。而在公共的离心泵数据集上，该模型在小样本情况下的性能比最优方法高出15%–25%，证明了其在实际工业故障诊断中的有效性、鲁棒性和可扩展性。引言旋转机械，包括传动轴系统、蒸汽轮机、齿轮箱、电动机和泵组，是工业生产和先进设备中的核心动力生成与传输部件。这类机械广泛应用于智能制造、航空航天和海洋工程等关键领域[1]、[2]、[3]。在实际运行环境中，转速和负载等参数会持续变化，导致轴承和其他部件在不断变化的工况下工作[4]、[5]、[6]。这些设备的运行稳定性直接影响工业系统的生产效率和安全[7]。因此，旋转机械的故障诊断长期以来一直是设备健康管理领域的重点研究方向。随着工业物联网（IIoT）和状态监测技术的快速发展，现代旋转机械会产生大量的多源传感器数据，如振动、温度、压力和转速信号，以及运行状态信息[8]。然而，传统的故障诊断方法存在明显局限性[9]、[10]。首先，它们依赖专家知识进行手动特征提取，这限制了其处理高维和非线性监测数据的能力。其次，它们的数据处理效率相对较低，难以满足大规模工业系统的实时诊断需求。相比之下，深度学习技术利用层次化特征表示和端到端学习框架，能够高效地从大型数据集中提取和分析潜在的故障模式与异常特征，从而显著提升故障诊断过程的自动化和智能化水平[11]、[12]、[13]、[14]。多种深度学习模型已被广泛用于故障诊断，包括深度信念网络（DBNs）[15]、[16]、[17]、[18]、卷积神经网络（CNNs）[19]、[20]、[21]、[22]，以及循环神经网络（RNNs）[23]、[24]、[25]。例如，赵等人[26]提出了基于连续小波变换的振动成像和高斯CDBN框架，能够在低信噪比和不同工况下有效提取稳健特征，提升轴承故障诊断的准确性。石等人[27]开发了双向卷积LSTM（Bi-Conv LSTM），用于从振动和转速信号中捕获时空特征。桂等人[28]引入了基于LSTM的四重深度度量学习框架，以解决故障样本分布不平衡的问题。韩等人[29]提出了用于领域适应的深度对抗CNN，提升了模型的领域泛化能力，使其能够在多个数据集上实现小样本故障诊断。深度学习方法能够通过系统分析和模型学习揭示数据中的潜在模式[30]、[31]。然而，在训练数据有限的条件下，传统算法无法得到充分训练，导致深度神经网络出现过拟合现象。这种过拟合会严重降低模型的泛化能力，使得传统的深度学习方法不适合处理样本稀少或分布不均衡的场景[32]。为解决小样本问题，已有许多研究被开展。陈等人[33]提出了结合小波散射特征与加权学习的集成森林的多尺度散射森林框架，实现了在不同工况下的强鲁棒性少样本故障诊断和良好的领域泛化能力。张等人[34]对小样本目标检测的问题定义、核心方法论和实验范式进行了系统总结，为小样本故障诊断提供了宝贵的方法论指导。傅等人[35]研究了在数据匮乏条件下的航空发动机故障诊断问题，他们使用在大量正常样本上预训练的深度自编码器，再利用少量故障样本进行微调。迪克西特等人[36]开发了一种数据增强方法，将元学习与生成对抗网络相结合，以便在数据不足的情况下进行故障诊断。吕等人[37]设计了专为小样本故障诊断设计的频域重构数据增强框架，提升了样本特征的表达能力。李等人[38]开发了一种融合多模态非高斯扩散和条件GAN的数据增强方法，提高了样本的多样性和真实性，增强了在数据不足条件下的故障诊断性能。近期的研究越来越注重能够同时识别已知故障并检测以往未见过的故障类型的故障诊断框架。何等人[39]提出了一种基于变分自编码器和深度分类器联合训练的统一故障诊断框架，通过概率潜在表示实现未知故障的同步检测和已知故障的精准分类。韩等人[40]提出了一种基于时间VAE和潜在动态的故障演化建模方法，通过生成合成数据来准确诊断复杂工业设备中的未知级故障。吴等人[41]开发了一种基于Transformer的故障诊断框架，能够对已知故障进行分类并检测新型故障状况，同时还支持增量学习，使模型能够适应新发现的故障类型。葛等人[42]提出了一种适用于旋转机械的自适应故障诊断网络，该网络结合了多尺度特征提取和故障聚类功能，能够在多种工作条件下有效识别和分类未知故障。郑等人[43]开发了一种基于集成型神经常微分方程的考虑不确定性的故障诊断方法，通过量化预测不确定性，能够在训练数据有限的条件下自主检测和隔离未知故障。总体而言，这些研究表明，统一的故障诊断框架在同时处理已知和未知故障方面具有可行性，但也暴露出在小样本条件下的诸多技术瓶颈和实际限制，尤其是在面对高度变化且未知的故障场景时，模型的鲁棒性、可扩展性和泛化能力仍需提升。尽管取得了这些进展，大多数现有方法仍然隐含着一个假设，即训练集和测试集的故障标签空间是相同的，这一假设限制了它们在现实场景中的应用。因此，这类模型虽然能够有效诊断已知故障类型，但往往无法识别或妥善处理以往未见过的故障。在实际的工业应用中，旋转机械通常在复杂且动态的工况下运行，包括负荷波动和运行状态变化，这会导致故障行为多样化、不断发展，有时甚至突然发生。许多潜在的故障模式尚未被记录，因而不存在于训练数据集中，当出现新型故障时，传统的诊断模型就会出现误判或失效。因此，在小样本条件下，既要准确识别已知故障，又要可靠检测以往未见过的故障类型，已成为旋转机械故障诊断领域亟待解决的根本性问题。为应对上述挑战，本文提出了一种名为MS-DAWCAE的多尺度深度对抗小波卷积自编码器。该方法通过多尺度特征融合、对抗学习机制和自编码器架构的协同整合，旨在实现已知故障的精准诊断和未知故障的可靠检测这一双重目标。具体而言，多尺度特征提取使得模型能够捕捉多个频率带上的故障信息，例如高频冲击成分和低频趋势特征，从而提升模型表征复杂故障模式的能力。与此同时，对抗学习通过生成器与鉴别器之间的动态交互，增强了模型对异常特征的敏感度，使其特别适合检测以往未见过的故障类型。这两种方法的结合为数据不足且存在新型故障的场景下的故障检测与诊断提供了有力的框架。本研究的主要贡献如下：(1)开发了一种基于多尺度自编码器的新型故障检测模块，用于解决识别未标记和以往未见过的故障问题。该模块利用小波散射变换和多尺度卷积编码，从输入数据中提取层次化特征表示。这种架构能够捕捉精细的局部异常和粗略的全局模式，从而便于在样本有限的情况下进行有效学习。多尺度特征融合提升了已知类别的重建能力，同时增加了未知故障的重建误差，为小样本条件下的新型故障检测奠定了坚实基础。(2)构建了一个包含双鉴别器的协同对抗学习模块，通过互补约束提升特征的区分度。编码器鉴别器负责调节潜在特征分布，而解码器鉴别器则负责监督样本重建质量。这种双重对抗框架压缩了已知故障的同类特征差异，同时扩大了已知与未知类别之间的差距。协同优化增强了特征的鲁棒性和领域适应性，有效应对了小样本场景下的分布变化，提高了对新兴故障模式的敏感度。(3)在多任务学习框架中整合了基于全连接分类器的已知故障诊断模块。该分类器利用对抗训练强化后的区分性特征，即使在标记数据有限的情况下也能准确识别已知故障类别。分类器与自编码器的协同作用使得模型能够同时实现新型故障检测和已知故障诊断。这种集成方法在保持检测能力的同时确保了分类性能的可靠性，显著提升了模型在样本有限的复杂工业环境中的实用价值。(4)在具有不同运行条件且标记样本有限的工业设备故障数据集，如FST数据集上，进行了大量对比实验。实验结果验证了所提出的MS-DAWCAE的有效性。与基于传统深度学习和少样本学习的典型故障诊断方法相比，该方案在已知故障分类准确率和新型故障检测能力方面均表现更优，尤其适用于存在未知故障和样本稀缺的场景。本文的其余部分结构如下：第2节介绍理论背景；第3节详细阐述所提出的方法；第4节展示案例研究；第5节讨论实验结果；第6节对全文进行总结。片段内容卷积自编码器卷积自编码器（CAE）是一种无监督学习架构，由编码器-解码器框架构成[44]。编码器将输入数据压缩为一组能够体现其核心特征的潜在特征表示，而解码器则根据潜在空间中保存的信息，从这些编码特征中重建输入数据。CAE的整体结构如图1所示。与传统使用全连接结构的自编码器不同，所提出的方法为了解决旋转机械小样本故障诊断难题，尤其是面对新型故障出现的场景，本研究提出了MS-DAWCAE模型。该框架仅需少量已知类别样本即可实现高效的新型故障检测和准确的已知故障诊断，且无需依赖源领域辅助。MS-DAWCAE模型由三个主要模块组成：(1)一种新型故障数据采集为验证所提出的MS-DAWCAE模型在面对新型故障时的有效性及优势，本文使用五速变速器（FST）数据集开展了一系列实验。该数据集来自汽车变速器测试台，如图5(a)所示。振动信号是通过安装在FST装置上的加速度计采集的，采样频率为24 kHz。数据采集是在以下条件下进行的小样本场景下的未知故障检测基于前文所述的实验框架，分别在FST数据集的三种运行条件下，对1次样本、2次样本和5次样本配置下的新型故障检测和已知故障诊断进行了全面评估。表4汇总了每种对比方法对应的精确度、召回率和F1值，为后续的性能比较与分析提供了依据。如表4中的实验结果所示，本研究针对旋转机械中小样本故障诊断的难题，尤其是在出现未知故障类型的场景下，提出了一种基于MS-DAWCAE的小样本故障诊断及新型故障检测模型。在FST数据集上进行的大量实验表明，该模型在数据有限的条件下，无论是新型故障检测还是已知故障诊断，都能展现出更优异的性能。尤其是MS-DAWCAE在各项指标上均表现稳定。

CRediT作者贡献说明：
陈珠云：撰写——初稿、验证、软件、方法论、资金获取。
沈俊杰：撰写——初稿、资源、方法论、研究、数据整理。
夏静燕：资源、方法论、数据整理。
何静科：资源、方法论、数据整理。
林洪奇：验证、资源、研究。
高佑鹏：验证、资源、研究。
李泽豪：验证、资源、研究。
李伟华：撰写——审阅与编辑、资源、项目管理。

利益冲突声明：作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。

致谢：本项工作部分得到了中国国家自然科学基金（项目编号52475102、52205101、U23A20620）的支持，部分得到了广东省基础与应用基础研究基金（项目编号2023A1515240021）的支持，部分得到了广州市基础与应用基础研究基金（项目编号2025A04J5273）的支持，部分得到了广州市科学技术协会青年人才支持计划（QT-2024-28）的支持，还有部分得到了广东省青年发展计划的支持。