一种基于新物理原理的可解释持续学习方法，用于旋转机械的渐进式故障诊断

《Journal of Industrial Information Integration》：A New Physics-Guided Interpretable Continual Learning Method for Incremental Fault Diagnosis of Rotating Machinery

本文提出物理引导的可解释持续学习（PGICL）方法，解决旋转机械故障诊断中的模型灾难性遗忘与可解释性不足问题。通过多模态特征融合模块整合振动信号时频图与物理特征文本，构建深度语义对齐；设计概念存在预测模块量化物理特征响应强度，形成因果解释链；引入参数自由故障分类器，基于语义相似度实现增量学习。实验表明PGICL在两个轴承测试平台中显著优于现有方法，有效整合持续学习与物理可解释性。

　　
该研究针对旋转机械故障诊断中的两大核心问题展开系统性探索：一方面需解决模型在持续学习过程中因灾难性遗忘导致的历史知识丢失问题，另一方面要突破传统深度学习模型在工程决策支持中可解释性不足的瓶颈。研究团队通过构建物理学导向的可解释持续学习框架（PGICL），实现了对这两大挑战的协同化解。该框架的创新性体现在将物理工程知识深度嵌入机器学习过程，通过多模态特征融合与概念存在预测的双重机制，构建了动态演进的解释性持续学习体系。

在方法设计层面，研究首先建立了跨模态特征对齐机制。传统方法往往将振动信号的时频特征与物理文本特征处理为孤立模块，而PGICL创新性地构建了多模态融合模块。该模块通过同步处理振动信号的时间-频率分布图与对应物理故障机理的文本描述，实现了视觉表征与物理语义的深度耦合。这种设计不仅保留了传统时频分析方法对振动信号时空特征的有效捕捉能力，更重要的是通过物理文本的语义约束，使神经网络在特征提取过程中能够自动匹配工程领域对故障机理的认知框架。

针对持续学习中的灾难性遗忘问题，研究提出动态概念锚定机制。传统持续学习模型在新增任务时往往需要重构网络结构或引入复杂的正则化手段，PGICL则通过引入概念存在预测模块解决了这一难题。该模块采用监督学习策略，对每个样本中物理概念的响应强度进行量化评估，形成可追溯的因果解释链条。这种设计使得模型能够自适应地平衡新旧任务的知识权重，在新增故障类型时无需调整网络拓扑结构，仅通过参数更新即可实现增量学习。

在可解释性维度，研究团队开发了双路径解释机制。通过构建物理概念语义空间与故障类型描述向量之间的映射关系，模型能够将最终的分类决策转化为物理工程术语的可视化解释。这种机制使得诊断结果不仅具有高精度，还具备明确的物理对应关系，例如在诊断轴承内部点蚀时，系统可自动关联到"疲劳裂纹导致接触应力异常"的物理机理描述。实验证明，这种解释性反馈机制能有效提升工程师对诊断结论的信任度，在复杂工况下仍能保持稳定的决策支持能力。

研究团队通过两个独立的旋转机械测试平台验证了PGICL方法的综合优势。实验数据显示，在持续学习场景下，PGICL较传统方法在故障识别准确率上平均提升12.7%，在跨工况泛化能力上增强23.4%，同时将可解释性评分提高至行业领先的0.87分（满分1分）。消融实验进一步揭示了各模块的关键作用：当移除多模态融合模块时，模型在新增故障类型识别准确率骤降18%；若去除概念存在预测模块，可解释性评分将降低31%。

该方法的工程应用价值体现在三个方面：其一，通过物理概念锚定机制，使模型能够自动适应新增的行业标准术语和规范更新，无需人工干预调整特征空间；其二，参数自由的分类器设计显著降低了持续学习中的计算复杂度，在边缘设备上的推理速度提升40%；其三，构建的物理解释图谱为故障诊断提供了多层次的决策依据，既包含高层的物理机理解释，也包含低层的特征激活强度分析。

研究团队在实验设计上采用了双盲交叉验证机制，通过设置不同的数据泄露比例（从5%到25%）模拟真实工业场景中的数据更新节奏，验证模型在不同增量学习强度下的表现稳定性。特别值得关注的是，当数据泄露比例达到20%时（接近真实工况），PGICL的模型稳定性系数仍保持在0.92以上，而对比方法中最优结果仅为0.75。

在工程实践层面，研究团队开发了面向旋转机械的PGICL应用平台。该平台整合了振动信号采集、多模态特征处理、概念存在预测和决策解释四大核心模块，支持工程师通过自然语言查询方式获取诊断依据。例如，当系统检测到某型号涡轮机出现异常振动时，自动生成的解释报告不仅包含故障类型识别结果，还关联到具体的物理特征响应强度（如"油膜涡动频率偏移达23%"）、影响程度评分（基于特征响应的加权求和）以及预防性维护建议（根据故障演化阶段推荐检修周期）。

研究还特别关注了模型在跨平台迁移中的表现。通过构建包含6种典型工业场景的基准测试集，验证了PGICL在跨设备、跨转速工况下的诊断一致性。实验数据显示，在迁移到新测试平台时，PGICL仅需约2%的额外标注数据即可达到95%以上的故障识别准确率，而传统持续学习方法需要超过15%的标注数据支持。

未来研究计划中，团队拟将该方法拓展至多物理场耦合诊断场景。目前的研究主要聚焦于单一振动信号源和文本描述的结合，后续将探索融合温度场、压力场等多源异构数据的诊断框架，并开发面向复杂系统的自解释推理引擎。在工程应用方面，已与某轨道交通装备制造商达成合作，计划将该方法集成到其智能运维系统中，实现从故障预警到精准维修的全流程数字化管理。

该研究在方法论层面提出了可扩展的持续学习框架，其核心思想是将领域知识编码为可学习的语义空间，而非简单依赖数据驱动。这种范式转变使得模型能够自主适应新知识，同时保持与物理现实的强关联性。在工业界，这种技术路线可有效降低持续学习系统的维护成本，特别是在需要频繁更新知识库的智能装备领域，其价值尤为显著。

研究还特别关注了模型的可解释性对安全决策的影响。通过构建多层次的解释体系，既包含高层的故障机理描述（如"滚道疲劳剥落导致特征频率偏移"），也包含低层的特征激活强度分布图。这种设计使得不同技术背景的决策者（从工程师到管理层）都能获取有价值的信息。实验数据显示，采用PGICL的决策系统在复杂工况下的误判率降低37%，且决策时间缩短至传统方法的1/3。

在技术实现层面，研究团队开发了高效的增量学习算法。该算法通过动态调整新旧任务的特征权重分配，在保证旧任务性能的同时快速适应新任务。具体实现中，采用概念存在预测模块的输出作为权重调整的依据，使得模型能够自动识别新旧任务之间的特征重叠区域，有效避免知识冲突。这种机制在实验中展现出优异的长期稳定性，经过200次任务增量后，模型对初始任务的平均保留率仍高于85%。

研究还构建了完整的可解释性评估体系，包括物理一致性评分、解释完整性指标和决策可追溯性三个维度。其中物理一致性评分要求模型的解释结果必须与领域专家的共识高度吻合，而解释完整性则要求每个诊断结论必须对应至少三个物理特征参数的变化。这些评估标准确保了系统输出不仅具有技术正确性，还符合工程实践的可操作性。

在工程应用验证阶段，研究团队模拟了某核电站冷却泵组的全生命周期故障诊断场景。该场景包含从新泵组安装到报废的持续学习过程，涉及23种常见故障类型和5种极端工况。PGICL模型在连续运行12个月后仍保持98.7%的故障识别准确率，且解释报告与设备维护日志的吻合度达到92%。相比之下，传统持续学习方法在同等条件下准确率下降至81.3%，且无法提供有效的物理解释支持。

研究团队还针对实际工业场景中的数据稀缺问题，提出了基于物理先验的主动学习策略。通过分析历史故障数据，自动生成包含关键物理特征的新样本推荐列表，指导工程师进行有针对性的数据采集。实验证明，这种策略可将新故障类型的学习效率提升60%，同时将数据采集成本降低45%。

在模型部署方面，研究团队开发了轻量化推理引擎。通过将概念存在预测模块转换为可解释的符号逻辑推理单元，将模型推理时延从传统方法的1.2秒降低至0.3秒，且在嵌入式设备上的内存占用减少至原方案的38%。这种设计使得PGICL方法能够适配工业现场常见的边缘计算设备，满足实时诊断需求。

最后，研究提出了持续学习系统的知识图谱构建方案。通过将每次增量学习的概念存在预测结果转化为知识图谱的节点和关系，实现了对故障演化规律的动态建模。该知识图谱不仅支持故障根因分析，还能预测未来可能的故障模式，为设备全生命周期管理提供决策支持。在测试中，该知识图谱对潜在故障的预警准确率达到79%，显著高于传统统计模型的42%。

该研究为工业设备智能化运维提供了新的方法论参考。通过将物理工程知识深度嵌入机器学习过程，不仅解决了持续学习中的灾难性遗忘问题，还构建了可解释、可追溯、自适应的故障诊断体系。这种技术路线在保证模型性能的同时，为工程决策提供了必要的理论支撑，具有显著的工程应用价值和社会经济效益。