结合结构条件扩散的自适应超图对比学习方法在鲁棒故障诊断中的应用

《Expert Systems with Applications》：Adaptive Hypergraph Contrastive Learning with Structure-Conditioned Diffusion for Robust Fault Diagnosis

工业设备故障诊断中存在样本稀缺和噪声干扰问题，本文提出自适应超图对比学习与结构条件扩散（AHCLD）方法。通过构建结构感知超图、设计注意力引导的适应性掩码扰动模块以及引入结构约束的扩散去噪机制，有效提升高阶依赖捕捉能力与噪声鲁棒性，实验表明在TEP流程系统和实际煤磨机数据集上显著优于现有方法。

　　

Kai Zhong|Haowei Liu|Zhenhua Fan|Darong Huang

安徽大学物理科学与信息技术学院，教育部智能计算与信号处理重点实验室，合肥，230601，中国

摘要

在工业环境中，鲁棒故障诊断仍然具有挑战性，这主要是由于故障标签的稀缺以及多变量测量中频繁出现的噪声污染。为了解决这些问题，本文提出了基于结构条件扩散的自适应超图对比学习（AHCLD）方法。该方法首先构建样本级别的超图来编码相关样本之间的稳定高阶关系。随后，它结合了我们提出的基于属性引导的自适应掩码扰动模块，该模块根据整体训练目标生成掩码来扰动对比视图，有效克服了随机扰动的局限性。最后，引入了结构条件扩散模块以减少噪声的影响，从而增强了图对比学习并提高了诊断性能。在Tennessee Eastman Process和真实世界煤磨数据集上的实验表明，AHCLD在少样本诊断中表现出更优越的性能，并且在噪声污染下比现有方法具有更强的鲁棒性。

引言

工业设备已深度集成到现代制造业、能源系统和工艺行业中，其中意外的设备故障可能导致严重的经济损失和安全风险（Surucu, Gadsden, & Yawney, 2023），例如热电厂中的煤磨机和Tennessee Eastman Process（TEP）模拟化工厂中的化学工艺系统，这些系统是本研究中故障诊断的具体目标。传感技术的进步使得能够持续收集来自工业设备的大规模多变量监测数据（Neupane, Bouadjenek, Dazeley, & Aryal, 2025），支持智能故障诊断。深度学习在这方面取得了显著的成功，能够从原始信号中自动提取高级和具有区分性的特征（Zhao, Yang, Kareck, Khan, & Wang, 2026; Zhong, Ding, Zhang, Chen, & Zio, 2025），突显了强大特征学习对于工业健康监测的重要性。

基于这一进展，最近的研究越来越多地探索结构感知的表示学习，以进一步提高诊断性能。图神经网络（GNNs）将样本表示为节点，并根据它们的相似性用边连接起来，使模型能够捕获传感器信号之间的复杂关系信息，并提取出更准确的故障分类结构特征（Zhang & Wu, 2024）。为了实现更精确的图表示学习，引入了结构学习来动态细化图的连通性（Jia, Tian, Yang, Li, & Jiao, 2024）。然而，简单的图在表示故障类型和传感器数据组之间的高阶交互方面存在根本性限制（Li et al., 2026a）。超图学习通过在一个超边内连接多个相关样本来缓解这些限制，从而能够捕获高阶依赖性，并在复杂的工业环境中提高表示学习的稳定性（Su et al., 2026）。例如，已经开发了深度超图自动编码器嵌入，可以从大量未标记的振动信号中有效挖掘高阶和子空间结构信息（Shi et al., 2023）。

尽管有这些方法上的进步，数据驱动的故障诊断仍然面临鲁棒性挑战。在工业系统中，由于故障发生频率低和专家注释成本高，标记的故障样本非常稀缺（RamA8AArez-Sanz, Maestro-Prieto, Arnaiz-GonzA8A2lez, & Bustillo, 2023）。此外，传感器测量数据经常受到故障、电磁干扰或机械振动等噪声的污染，这会降低特征质量并降低故障检测和分类的可靠性（Huo, MartxA8xAAnez-GarcxA8xAAa, Zhang, & Shu, 2022）。标签稀缺和噪声测量的结合限制了现有基于图的诊断方法在复杂工业环境中的有效性。

为了在标签稀缺的情况下提高鲁棒性，图对比学习（GCL）作为一种有效的方法出现，它可以在不依赖大量标记数据的情况下学习具有区分性的表示（Zhang, Liu, Zhang, & Lu, 2025c）。通过强制同一样本的不同图结构视图之间的一致性，GCL鼓励模型捕获不变的结构模式，从而在分布变化下增强泛化能力（Wang et al., 2025）。在工业故障诊断中，GCL已被越来越多地采用，以减少对标记样本的依赖（Chen et al., 2025）。

尽管GCL有助于缓解标签稀缺问题，但大多数现有方法仍然依赖于随机扰动来构建对比视图。这样的操作往往会破坏内在的拓扑结构并改变超边成员关系，导致真正正样本被错误地视为负样本，从而削弱了对比目标的有效性。在少样本场景中，这些结构扭曲的增强进一步减少了有限的监督信息，并阻碍了超边之间的标签传播，最终降低了学习表示的区分能力。此外，噪声污染（如传感器故障和机械振动）降低了正负故障对的可分离性，使模型倾向于捕获无关的噪声模式，并放大了随机增强的偏差，所有这些都会损害对比学习的鲁棒性和工业环境中故障诊断的准确性。

噪声不仅削弱了GCL的效果，还降低了诊断性能。因此，需要明确增强对噪声鲁棒性的机制。基于扩散的学习最近作为一种噪声感知的表示增强方法出现。去噪扩散概率模型（DDPMs）通过前向-反向扩散过程逐步注入和移除高斯噪声，使模型能够学习出在严重噪声干扰下增强特征鲁棒性的显式去噪映射（Li, Yan, Wang, Long, & Pu, 2025a）。

总的来说，上述综述揭示了三个阻碍工业环境中鲁棒故障诊断的缺点：

1.

在工业故障诊断中，故障样本的稀缺使得传统图模型难以捕获故障样本之间的复杂高阶关系，从而限制了它们学习具有区分性特征的能力。

2.

尽管GCL可以在故障样本稀缺的情况下提高表示的区分能力，但它通常依赖于随机扰动增强。这样的增强会破坏图的拓扑结构，从而限制了模型在少样本场景中有效区分不同故障类型的能力。

3.

在真实的工业环境中，样本数据经常受到测量噪声的影响，这显著降低了正负故障对的可分离性，从而削弱了GCL的有效性并直接降低了故障诊断的性能。

针对上述情况，本文提出了基于结构条件扩散的自适应超图对比学习（AHCLD）方法，用于鲁棒故障诊断。其主要贡献总结如下：

1.

我们基于超图连通性构建了一个结构感知矩阵，以提供稳定的高阶关系信息，作为自适应掩码扰动（AMP）和结构条件扩散的结构基础。这种方法解决了工业故障诊断中由于故障样本稀缺导致的特征提取不稳定性问题。

2.

为了生成保持结构的对比视图，我们开发了一种AMP策略，避免了随机增强引起的拓扑扭曲，从而提高了GCL的可靠性和模型在有限故障样本下的泛化性能。

3.

在AHCLD中，我们设计了一种结构条件扩散机制，以在明确的结构指导下捕获噪声行为，增强了GCL的有效性，并在噪声污染下产生了更鲁棒的嵌入，用于准确的故障诊断。

本文的其余部分组织如下。第2节回顾了基于超图的学习、GCL、少样本学习和扩散模型的相关工作。第3节介绍了构成所提出的AHCLD框架的基础知识。第4节详细描述了所提出的AHCLD框架。第5节讨论了实验结果和分析。最后，第6节总结了本文并提出了未来研究的可能方向。

部分摘录

基于超图的工业故障诊断

超图在工业故障诊断中捕获样本之间的高阶依赖性。Xia等人（Xia, Liang, Zheng, & Huang, 2023）引入了残差超图卷积网络，该网络结合了基于模型和数据驱动的方法，使用预定义的超图来表示设备的内部机制，从而在复杂系统中实现有效的故障诊断。Zhao等人（Zhao et al., 2024）开发了模型辅助的多源融合超图卷积神经网络

超图建模

简单图是一种数据结构，用于描述样本之间的成对关系。随着深度学习的兴起，图神经网络（GNNs）如ChebyNet和图卷积网络在节点分类、图分类和链接预测方面实现了高效的学习。然而，传统的GNNs只能捕获局部邻域信息，难以建模高阶依赖性（Sheikhpour, Berahmand, Mohammadi, & Khosravi, 2025）。超图为这个问题提供了解决方案。

方法论

AHCLD的总体框架如图2所示，包括四个关键模块：结构感知的表示和增强、基于属性的对比表示学习、结构条件扩散去噪以及AMP引导的联合优化框架。这些步骤将在以下小节中依次介绍。

TEP数据集

TEP Downs & Vogel（1993）是一个广泛用于多变量过程监控和故障诊断的基准测试。该模拟包括52个过程变量和多个相互作用的过程单元。在我们的实验中，直接从原始多变量时间序列中提取滑动窗口样本，以构建固定长度的特征向量用于超图建模。对于本研究中考虑的分类任务，我们选择了一个正常状态和四种代表性故障，形成了

结论

我们提出了AHCLD，一种基于结构条件扩散的自适应超图对比学习方法，用于鲁棒故障诊断。通过有效捕获高阶依赖性、生成基于属性的对比视图以及减少噪声以增强对比学习和鲁棒性，AHCLD在TEP和真实世界煤磨基准测试中展示了优越的准确性、鲁棒性和泛化能力。未来的工作将集中在降低计算开销上

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。