退化诱导的故障识别在组件堆叠系统中的应用：一种基于机制理解、兼顾分布特性的方法

《Engineering Applications of Artificial Intelligence》：Degradation-induced fault identification for component-stacked systems: A mechanism-informed, distribution-aware perspective

组件堆叠转子系统因多因素耦合和退化参数的不确定性，导致故障特征与理想状态存在显著偏差。本研究提出机制启发的退化建模方法，将关键刚度参数建模为服从指定概率分布的随机变量，并构建不确定性指导注意力机制，聚焦高不确定性区域捕捉长期依赖关系，从而有效提升退化故障的识别鲁棒性与泛化能力。

　　
在复杂工程系统中，转子系统的故障诊断面临多重挑战。组件堆叠结构通过共享载荷路径和振动传递形成强耦合网络，任一组件的性能退化都将引发系统级结构参数的连锁变化，这种退化效应与故障模式的交互作用使得传统诊断方法面临数据稀缺与模型泛化能力不足的双重困境。本研究针对该问题，创新性地构建了融合物理机制与分布感知的故障诊断框架，为多组件耦合系统的退化故障识别提供了新的技术路径。

研究首先揭示了组件堆叠系统的退化传播机制。传统模型往往将系统视为静态参数集合，忽视了退化过程的动态耦合特征。如图1(b)所示，轴承磨损、螺栓松动和结构疲劳三种退化因素通过机械连接和振动传递形成相互影响的网络结构。当某组件刚度参数发生退化时，其产生的振动信号会沿着耦合路径传播并与其他退化因素产生非线性叠加，导致系统动态响应呈现复杂的模式演变。这种退化间的强相关性使得单纯的数据增强难以覆盖真实的退化分布，特别是当不同退化因素同时存在时，传统模型容易陷入局部最优解。

针对上述问题，研究团队构建了分层递进的解决方案体系。在退化建模阶段，创新性地将刚度参数视为随机变量，采用概率分布建模方法。这种机制不仅能够表征单个组件退化参数的随机波动，更能通过交叉相关性贝叶斯算法捕捉多退化因素间的动态耦合关系。实验数据表明，与传统确定性模型相比，该方法生成的退化样本分布更接近真实工况，在江苏某航空制造企业的实测数据验证中，退化样本的覆盖率提升了47%，有效解决了数据稀缺带来的分布偏移问题。

在特征提取层面，研究提出不确定性引导的注意力机制。如图2(b)所示，退化过程会导致特征空间的不均匀不确定性分布。传统注意力机制仅依据特征区分度分配权重，而本方法通过量化特征不确定性，构建了动态权重分配模型。具体而言，在Transformer架构中引入不确定性感知模块，能够识别出那些受退化参数波动影响显著的特征区域（如图中高不确定性区域标注）。这种机制有效避免了传统方法对噪声特征的过度关注，在振动信号分析中，成功将有效特征提取率从68%提升至89%。

研究框架的突破性体现在三个维度的创新融合：首先，在退化建模维度，构建了包含三个退化要素（轴承磨损、螺栓松动、结构疲劳）的耦合退化模型，通过建立多参数概率分布的关联矩阵，实现了退化过程的动态仿真。其次，在特征工程维度，开发的双路径注意力机制同时处理退化不确定性和故障区分度，其核心在于建立不确定性传播评估模型，能够量化从物理参数退化到特征空间的变化路径。最后，在模型架构维度，将物理机理嵌入生成对抗网络（GAN）的潜在空间，通过设计退化参数感知的损失函数，确保生成的退化数据同时满足物理约束和分布特性。

实验验证部分采用组件堆叠转子系统的典型场景进行测试。如图16(a)所示，测试平台集成了多通道振动传感器和高速采集系统，能够同步获取轴向振动、扭矩波动和温度梯度等关键参数。对比实验表明，与传统数据驱动方法相比，本框架在三个典型退化阶段（早期松动、中期疲劳、晚期磨损）的诊断准确率分别提升23%、41%和58%。特别是在多退化因素耦合的复杂工况下，诊断模型的鲁棒性提升尤为显著，误报率降低至5%以下，优于现有最先进的方法（如PCADA和KATL模型）。

研究还发现，退化参数的不确定性传播存在显著的非线性特征。通过构建不确定性传播路径图谱，发现螺栓松动会导致轴承接触刚度降低，进而引发转子动态平衡失稳，这种耦合效应在时域上表现为特征向量间的长程依赖关系。基于此，研究设计了时频联合不确定性感知模块，在CNN提取时域特征的同时，通过Transformer建模频率维度的长期依赖。这种双通道特征融合方法使模型对退化初期的微弱信号变化（小于5%参数波动）也能准确识别，较传统单通道模型灵敏度提升3倍。

在工程应用层面，研究提出的框架展现出良好的泛化能力。通过在南京某航空制造企业的三条产线进行部署，验证了模型在不同工况下的适应性。数据表明，在产线振动频谱发生±15%偏移的情况下，模型仍能保持92%以上的识别准确率。特别在处理突发性退化事件时，其故障定位速度比传统模型快2.3倍，这对航空发动机等关键设备的实时监测具有重要价值。

该研究的理论突破体现在建立退化-故障耦合的量化评估体系。通过开发退化参数-特征空间-故障模式的映射模型，首次实现了从物理退化参数到故障诊断特征的端到端不确定性量化。实验数据显示，模型输出的不确定性置信区间与实际退化程度的相关系数达到0.87，显著优于基于统计假设检验的传统方法。这种可解释性诊断能力为航空装备的预防性维护提供了新的技术支撑，特别是能够识别出传统模型难以捕捉的隐性退化模式。

在技术实现层面，研究团队开发了完整的软件工具链。该工具包包含三个核心模块：退化参数概率分布生成器、不确定性传播分析器、多退化耦合特征提取器。其中，基于贝叶斯优化的退化参数分布建模器，能够根据历史数据自动学习参数退化的概率分布曲线；不确定性传播分析器采用蒙特卡洛树搜索算法，精确计算退化参数到特征空间的不确定性传递路径；多退化耦合特征提取器则创新性地将注意力机制与图神经网络结合，有效捕捉不同退化因素之间的动态耦合关系。

工程应用案例显示，该框架在航空发动机主轴系统的监测中取得显著成效。在某型涡扇发动机的测试中，成功识别出早期轴承不对中（未达报警阈值）、螺栓预紧力衰减（周期性波动）和材料疲劳裂纹（渐变特征）三种退化模式，其综合识别准确率达到96.7%。更值得关注的是，模型能够通过退化参数的分布特性，提前6-8小时预警潜在故障，这在航空安全领域具有重要应用价值。

未来研究将重点拓展到多物理场耦合退化建模。针对复杂转子系统存在的热-力-电耦合效应，计划引入温度场分布的随机建模方法，构建多维退化参数的联合概率分布。同时，将探索联邦学习框架下的分布式退化建模技术，以解决航空装备监测中数据孤岛问题。在算法优化方面，研究团队正在开发轻量化边缘计算版本，目标是将模型推理速度提升至毫秒级，满足实时监测的工程需求。

该研究的工程应用价值体现在三个关键突破：首先，通过建立退化参数的概率分布模型，解决了传统方法因数据稀缺导致的模型过拟合问题；其次，不确定性引导的注意力机制有效提升了复杂退化场景下的特征区分度；最后，多维度耦合建模技术为大型装备的全生命周期健康管理提供了新的技术范式。这些创新成果为航空、能源、轨道交通等领域的旋转机械状态监测提供了可靠的技术支撑，对推动工业4.0时代的智能运维转型具有战略意义。