基于可解释性人工智能的仿真到现实领域的适配方法,用于实现鲁棒的转子状态监测
《ADVANCED ENGINEERING INFORMATICS》:Explainable artificial intelligence based simulation-to-real domain adaptation for robust rotor condition monitoring
【字体:
大
中
小
】
时间:2026年04月08日
来源:ADVANCED ENGINEERING INFORMATICS 9.9
编辑推荐:
提出可解释域适应神经网络EDANN解决转子故障诊断的数据稀缺和黑箱问题,通过耦合有限元转子模型与非线性接触轴承动力学生成高保真故障数据,实现跨域诊断准确率85.3%,其决策基于物理指标如轨道椭圆率和相位差。
阿尼尔·库马尔(Anil Kumar)| 周玉清(Yuqing Zhou)| 埃米利亚诺·穆奇(Emiliano Mucchi)| 王东(Dong Wang)
温州大学机械与电气工程学院,中国温州325035
摘要
本研究提出了一种可解释的领域适应神经网络(EDANN),以解决人工智能(AI)驱动的转子故障诊断中面临的数据稀缺性和“黑箱”限制问题。在实际的转子监测系统中,由于实验成本高和安全限制,真实的故障样本通常只占可用数据的一小部分。为了缓解这一限制,通过将基于有限元方法(FEM)的柔性转子与非线性赫兹接触轴承动力学相结合,开发出了一个高保真的转子-轴承动态模型,从而能够真实地表示分布式的轴柔韧性、陀螺效应和轴承的非线性,以生成可靠的故障数据。基于物理信息特征,EDANN能够有效地弥合模拟数据与真实世界数据之间的差距,同时提供可解释的故障诊断结果。EDANN在一系列最优超参数下表现出稳健和稳定的性能,平均跨领域诊断准确率达到了85.3%。重要的是,EDANN的可解释AI分析特性表明,模型的决策受到诸如轨道椭圆率和相位差等物理意义上的指标的驱动。这些结果表明,EDANN提供了一种可验证、准确且数据效率高的解决方案,直接克服了目前阻碍智能诊断系统和数字孪生技术在工业中应用的信任和透明度障碍。
引言
旋转机械,特别是转子系统[1]、[2]、[3],是现代工业设备(如燃气轮机、飞机发动机[4]、压缩机[5]和发电单元)的核心。这些系统对于维持众多工业领域的运行效率、可靠性和安全性至关重要[6]、[7]。然而,由于长时间运行、转速变化[8]、动态载荷以及恶劣的环境条件,转子系统容易发生各种故障,包括质量不平衡、不对中、轴承磨损和轴裂纹。如果这些故障未被检测到,可能会演变成严重的故障,导致计划外的停机、安全隐患和巨大的经济损失[9]、[10]。随着工业系统复杂性的增加以及工业4.0和5.0框架中对预测性维护的重视,对转子系统的有效状态监测变得越来越重要[11]、[12]。人工智能(AI)的快速发展,特别是深度学习(DL),已经改变了这一领域。诸如卷积神经网络(CNNs)[13]、[14]和循环网络(例如LSTMs)[15]、[16]等架构自动化了特征提取,并在受控环境中实现了高诊断准确率。然而,实际的故障诊断面临两个主要挑战[5]:(1)在真实工业环境中获取足够标记的故障数据的成本高昂且难度大;(2)DL模型的“黑箱”特性,使其决策过程难以理解,这阻碍了其在安全关键应用中的信任和采用。此外,对于罕见但关键的故障模式,获取足够的真实世界故障数据的挑战尤为突出,因为在这种情况下运行设备可能会导致灾难性故障——这在工业环境中是不切实际且危险的。这种根本性的数据缺口需要替代方法来生成可靠的诊断信息,而不影响运行安全。
为了解决数据稀缺问题,研究人员越来越多地转向基于模拟的方法[17],这些方法利用先进的动态建模技术。最近在退化模拟模型方面的发展,通过优化的线性参数变化框架[18],能够准确表示系统在不同运行条件下的恶化情况。类似的,简化的DQ模型能够有效模拟轴承外圈的局部剥落[19],而复杂的转子耦合模型能够捕捉复杂的扭转和横向振动行为[20]。有限元建模方法已经得到改进,能够高保真地表示开放式和呼吸式楔形裂纹[21],而集总参数模型为复杂的转子系统(如杆件紧固配置)提供了高效的计算框架[22]。这些模拟方法提供了有价值的标记数据来源,可以弥合实验室条件与真实世界运行环境之间的差距。
基于这些模拟能力,引入了领域适应(DA)技术,将知识从标签丰富的源领域(例如模拟或实验室数据)转移到标签稀缺的目标领域(实际运行)[23]、[24]。然而,由于旋转速度、载荷和噪声等波动因素导致的“领域偏移”[25]、[26]、[27],DA网络(DANs)的性能显著下降。研究人员采取了两个主要方向来创建更稳健的DANs:1)对抗性DANs,利用领域鉴别器来对齐不同领域的特征分布[28]、[29];2)物理信息DANs,结合领域知识以提高模型的鲁棒性和泛化能力[30]、[31]。尽管取得了这些进展,但仍存在一个关键限制:基于DAN的方法虽然能够对齐特征分布,但无法提供对目标领域中为何诊断出特定故障的可解释原因。它们成功转移了性能,但未能转移理解能力,而这对于验证和部署至关重要。最近,可解释人工智能(XAI)在提高工业应用中AI模型的透明度方面取得了进展[32]、[33]、[34]、[35]。XAI方法可以大致分为两种策略:
•特征可解释性:这种策略量化了输入特征对模型决策的贡献。例如,Shapley Additive exPlanations(SHAP)用于识别复杂系统中的关键指标[36]、[37],而梯度加权类激活映射(Grad-CAM)及其变体可以可视化卷积层中的显著区域[38]、[39]。
•知识可解释性:这种策略将领域知识(如物理原理或信号处理技术)直接整合到AI模型中。例如,物理信息卷积层[40]、嵌入信号处理方法的网络[41],以及使用领域特定形状函数构建的可解释玻璃盒模型[42]。
现有的跨领域转子故障诊断方法存在明显的局限性。基于XAI的方法(如SHAP、Grad-CAM)通常对特征相关性、模型架构或运行条件的变化敏感,这限制了它们在跨领域环境中的有效性。DANN[43]和基于MMD[44]的方法主要关注隐式分布对齐,以促进跨领域的性能转移。虽然有效,但这些方法对支持跨领域泛化的具体特征表示提供了有限的明确洞察。物理信息和对比学习策略[45]、[46]结合了先验知识或基于相似性的目标来指导表示学习;然而,它们的可解释性通常受限于预定义的假设或成对关系。这些范式突显了需要互补的视角,以超越对齐目标,更透明地理解跨领域中可转移和物理上有意义的特征是如何出现的。
为了解决这些挑战,本文提出了一种新型的可解释领域适应神经网络(EDANN),它明确地将内在的可解释性与对抗性领域适应相结合,以实现稳健的从模拟到实际转子故障诊断。通过学习主导的、物理上有意义的、领域不变的表示,EDANN弥合了跨领域故障诊断中可转移性和可解释性之间的差距。与依赖于隐式分布对齐的传统领域适应方法不同,所提出的框架旨在揭示跨领域转移的信息以及为什么在不同的运行条件下这些信息仍然有效。关键贡献由实验结果支持,包括:
a)与依赖隐式分布匹配的传统对抗性或基于MMD的领域适应方法不同,所提出的EDANN框架内嵌入了明确的事后可解释性,能够识别支配跨领域转子故障诊断的主要和领域不变的特征。
b)EDANN中纳入了结构化的稀疏性约束,将诊断能力集中在最小但高度预测性的特征子集中,从而提高了对领域偏移的鲁棒性,同时抑制了冗余和特定于领域的噪声。
本文的其余部分组织如下。第2节描述了本研究采用的方法论。第3节重点讨论了动态建模和实验研究,包括动态建模、系统识别以优化数值模型参数、通过模拟和实验验证的缺陷分析以及详细的建模方法。最后,第4节总结了研究的主要发现和贡献。
方法论片段
提出的可解释领域适应神经网络(EDANN)用于转子故障诊断的方法论
该方法论如图1所示,是一个五步过程。
动态建模
轴使用欧拉-伯努利梁单元[44]、[45]进行离散化。长度与直径的比例约为1.4/0.01552 = 90.2,表明该梁是细长的。这证明了在变形后平面截面保持平面并且垂直于梁轴的假设是合理的,从而忽略了剪切变形。有限元模型中的每个节点具有四个自由度:i) 横向位移()和 ii) 旋转位移()
结论
转子故障诊断从根本上受到标记真实故障数据稀缺性和模拟条件与实验条件之间领域偏移的限制,这限制了数据驱动模型的泛化和工业应用。为了解决这些挑战,本研究提出了一种可解释的领域适应神经网络(EDANN),它结合了物理信息特征建模、对抗性领域适应和熵正则化的稀疏性,形成了一个统一的可解释学习框架
资金来源
本研究得到了中国温州市科学技术局的支持(项目编号:GK20250147)。
CRediT作者贡献声明
阿尼尔·库马尔(Anil Kumar):撰写 – 审稿与编辑,撰写 – 原始草稿,软件开发,数据整理。周玉清(Yuqing Zhou):撰写 – 原始草稿。埃米利亚诺·穆奇(Emiliano Mucchi):撰写 – 审稿与编辑。王东(Dong Wang):撰写 – 审稿与编辑。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号