基于多传感器融合与结构对比超图卷积网络的海底矢量推进器故障诊断

《Ocean Engineering》:Fault diagnosis of subsea vector thrusters based on multi-sensor fusion with structural contrastive hypergraph convolutional networks

【字体: 大 中 小 】 时间:2026年04月15日 来源:Ocean Engineering 5.5

编辑推荐:

  针对矢量推进器多源异构信号时空错位与特征重叠问题,提出MF-SCHGCN模型,通过动态超图构建和结构感知对比注意力机制实现跨通道自适应对齐与融合,有效提升复杂耦合系统故障诊断准确率。

  
刘增凯|谢天宇|陈云赛|钟柳军|张东|姜清华
哈尔滨工程大学青岛创新与发展中心,中国山东省青岛市266000

摘要

作为一种新型的水下航行器推进系统,矢量推进器通过其组件之间的紧密机械和控制耦合确保了可靠的运行。然而,这种内在耦合会导致局部故障引发系统范围内的信号偏移和失真。这种传播使得从伺服电机和主推进电机收集到的异构测量信号出现时间不对齐和特征重叠,从而导致跨通道对齐困难以及故障判别混乱。为了解决这些问题,本文提出了一种基于多源融合结构对比超图卷积网络(MF-SCHGCN)的矢量推进器故障诊断方法。该模型构建了一个动态的通道内超图,其中同时嵌入了K最近邻、语义聚类和结构依赖性,从而能够有效建模单通道信号中的高维非线性相关性。超边注意力机制增强了结构特征的区分能力,同时抑制了噪声和冗余。此外,结构感知对比通道注意力模块捕捉了跨通道的结构一致性和语义多样性,以实现多源传感器的自适应对齐和区分性融合。在实测的矢量推进器数据集上的评估表明,MF-SCHGCN的准确率达到98.77%,并且在小样本数据集上的准确率仍保持在99.11%,证明了其在复杂耦合系统中的强大诊断能力。

引言

作为自主水下航行器(AUV)的一种新型推进执行器,矢量推进器集成了多个协调模块,包括电机驱动、伺服偏转和转向连杆机构(Cavallo等人,2004年)。因此,它在实现高机动性和精确运动控制方面发挥着关键作用。与传统固定螺距或单轴推进系统不同,矢量推进器在其电气驱动单元和机械控制单元之间表现出强烈的动态耦合(Liu等人,2019a, 2019b;Liu等人,2019a, 2019b)。具体来说,电机速度的波动会导致伺服负载响应的变化,而伺服偏转又会影响电机的电磁和机械特性(Jiang等人,2025年)。这种双向相互作用使得局部故障会超出单个组件的范围,在整个系统中形成结构传递效应,表现为全局信号的共偏差和耦合失真。
这种复杂的耦合传播导致来自不同组件(如推进电机和伺服执行器)的多源信号之间存在显著的异质性和动态相关性(Xia等人,2022年;Zhang等人,2022a,2022b年)。一方面,不同传感通道之间的响应延迟和控制滞后会导致信号的时间不对齐和不同步;另一方面,组件间的耦合振动、反馈干扰和能量回流会导致特征重叠和频率及空间域上的混淆。结果,通道之间的边界变得模糊,关键特征常常被掩盖或扭曲。这些现象使得数据驱动的诊断模型难以识别真实的故障模式。这些问题引入了诸如跨通道不对齐、语义干扰和特征冗余等挑战,成为限制矢量推进器智能故障识别性能的核心瓶颈。
在高度耦合的多组件系统中,基于物理建模或专家规则的传统故障诊断方法往往效果有限。诸如状态观测器(Gao等人,2022年)、卡尔曼滤波器(Marseguerra和Zio,2009年)以及专家系统(Sun等人,2025年)等技术在简化或稳态条件下表现良好,但在非线性、时变和受干扰的海洋环境中,它们的准确性和鲁棒性会显著下降(Gao等人,2015年)。相比之下,数据驱动的智能诊断方法可以直接从多通道传感器数据中学习区分性故障特征,从而对非平稳运行条件具有更强的适应性。因此,近年来这些方法已成为主要的研究焦点(Saini和Dhami,2022年;Velasco-Gallego等人,2023年)。
代表性研究探索了先进的学习框架,以应对标签稀缺、噪声干扰和特征冗余等挑战。Tan等人(2021年)研究了多标签分类算法,用于同时故障诊断,仅使用单故障训练数据即可准确识别未知的组合故障。Liu和Gan(2025年)提出了PFGAF方法,引入了多尺度并行通道注意力和类不平衡损失,以提高不平衡数据集上的鲁棒性。Li等人(2025a,2025b)引入了多分支交叉特征注意力融合变换器(MCFormer)来提取关键轴承故障特征,而Si等人(2025年)提出了MSDC-DenseTCN模型,该模型结合了多尺度膨胀卷积和密集时间卷积,以在噪声较大的工业环境中增强噪声抑制和故障特征提取。然而,这些方法大多依赖于单源或单通道数据,在建模多个组件之间的动态依赖性和相互作用方面能力有限(Neupane等人,2025年;Zang等人,2022年)。
为了明确建模通道间的依赖性,图神经网络(GNNs)已被广泛采用,其中传感器被表示为节点,它们之间的关系被表示为边,从而能够有效建模非欧几里得数据(Wang等人,2023年)。现有研究表明,GNNs通过多尺度特征提取和基于图的融合策略在多传感器故障诊断中表现出有效性(Zhang等人,2024年)。Li等人(2020年)提出了一个多感官图卷积网络,用于聚合多尺度节点信息以实现鲁棒的故障表示。Wei等人(2025年)通过将张量图结构与时空图卷积和注意力机制相结合,开发了A-TSGNN。
最近,研究转向了动态图学习和自适应结构建模,以更好地捕捉复杂系统中的时变依赖性。例如,Dynamic PIGMind方法引入了自适应图构建,用于在非平稳条件下建模传感器信号之间的演变关系(Li等人,2026年)。类似地,DCMLDF框架专注于基于动态图的跨域特征交互,以实现异构数据源的更灵活融合(Li等人,2025b)。此外,如MMHGAT等模型进一步结合了自适应图变换和注意力机制,以增强动态特征提取(Zhang等人,2023年)。尽管取得了这些进展,但大多数现有的基于GNN的方法主要依赖于成对关系和特征级聚合,即使考虑了动态结构也是如此。因此,它们在捕捉高阶结构依赖性和跨异构通道进行结构级对齐方面仍然能力有限。
为了解决这一限制,引入了超图卷积神经网络(HGCNs)来建模高阶关系,其中单个超边可以同时连接多个节点,从而实现更丰富的结构表示。这种形式特别适用于多传感器系统,因为复杂的交互通常涉及超过成对的依赖性(X. Yan等人,2024年)。最近的研究探索了基于超图的方法用于故障诊断和多源数据融合。例如,Zhao等人(2024年)提出了一个利用仿真数据的模型辅助HGCN,用于小样本液压伺服故障诊断。Shi等人(2023年)开发了一个深度超图自动编码器,用于从未标记的振动信号中提取高阶结构信息。Chen等人(2025年)提出了一个双通道时频时空超图网络(DTSHN),通过动态超图和时频对比学习来捕捉高阶时频依赖性,以实现鲁棒的故障分类。Qiao等人(2025年)提出了DF-HGCN模型,该模型结合了特征蒸馏、去噪和跨通道交互,以提高在高噪声环境中的鲁棒性。然而,现有的基于超图的方法主要集中在局部结构或单层融合上,缺乏一个统一的框架来同时建模通道内结构和通道间对齐。
为了解决矢量推进器中多源异构测量导致的跨通道信号不对齐和特征模糊问题,本文提出了一种基于MF-SCHGCN的智能故障诊断模型。该框架统一了通道内结构建模和通道间融合,以增强对动态耦合特征的理解和区分能力。主要贡献在于SACCA机制,它通过建模超图诱导的结构响应之间的关系,实现了结构感知的跨通道融合。通过捕捉通道间一致和互补的模式,它改善了特征对齐,并增强了融合表示的区分能力,从而在复杂耦合条件下实现了更鲁棒的故障表征。此外,超边注意力机制通过强调关键的结构依赖性并抑制冗余信息,提高了特征质量,从而实现了更鲁棒和更具区分性的表示;动态超图构建机制通过自适应捕捉复杂和演变的关系,减少了异构条件下的拓扑不匹配。
本文的其余部分组织如下:第2节介绍DTW和超图卷积理论。第3节详细描述了所提出的MF-SCHGCN模型。第4节展示了MF-SCHGCN在矢量推进器故障诊断中的应用。最后,第5节给出了结论。

章节摘录

动态时间扭曲

在多源融合故障诊断任务中,原始信号通常来自具有不同维度、采样时间和动态响应特性的多个异构通道。以矢量推进器为例,它在运行过程中包含几个关键变量:主推进器电流(Iz)、电压(Uz)、旋转速度(Nz)以及两个方向舵电压反馈通道(Ud1 和 Ud2)。这些通道属于不同的子系统,表现出显著的

提出的方法

如图1所示,MF-SCHGCN用于矢量推进器的智能故障诊断。该模型首先构建标准化的多通道输入特征,并通过带有超边注意力的动态超图卷积提取通道级结构表示。然后,通过带有通道注意力的结构感知图对通道间结构关系和语义差异进行建模,从而实现多源特征的加权融合,形成统一的全局表示

实验设置

为了评估所提方法在涉及多源异构传感器的场景中的故障诊断性能,本节设计并进行了两组案例研究。实验数据来自哈尔滨工程大学开发的全向矢量推进器和开源的“Haizhe” AUV数据集。MF-SCHGCN模型是基于Python 3.11.10和PyTorch 2.5.0在Windows 11操作系统环境中开发的。

结论

本文提出了一种用于矢量推进器故障诊断的MF-SCHGCN模型。该方法解决了两个关键挑战:单个传感器信号内的动态结构特征建模和跨异构测量通道的结构感知特征融合,形成了一个统一的端到端框架。
本研究通过使用独立构建的矢量推进器故障仿真平台,系统验证了MF-SCHGCN的故障识别能力。

CRediT作者贡献声明

刘增凯:撰写 – 审稿与编辑。谢天宇:撰写 – 原始草稿,概念化。陈云赛:方法论,资金获取。钟柳军:验证。张东:软件。姜清华:数据整理。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

作者感谢青岛市自然科学基金支持的24-4-4-zrjj-168-jch项目、黑龙江省自然科学基金(编号:YQ2024E036)、中央高校基本科研业务费(编号:3072025ZX2604)、泰山学者计划(编号:tsqn202312317以及国家自然科学基金(编号:52571342)的财政支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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