摘要
润滑油监测能为工业燃气轮机的早期故障预警及维护决策提供持续的健康状态信息。然而，实际中的多传感器监测数据存在明显的非平稳热力学漂移现象，这往往会掩盖那些包含重要早期退化信号的微弱高频残差信号。现有的数据驱动监测模型通常难以将这些宏观趋势与随机磨损相关的波动区分开来，而且其严格的分布假设往往无法适应工业残差数据的异方差性和重尾特性。为解决这些问题，本研究提出了ResAD-Net，这是一种用于非平稳多传感器润滑油监测的早期故障预警框架，它结合了趋势-残差分离、基于趋势的残差建模以及残差域依赖性学习技术。具体而言，该框架采用信号趋势-残差分离策略，将变化缓慢的运行趋势与传感器捕捉到的随机残差波动分开，从而揭示出对早期退化更为敏感的残差信息。在此基础上，引入了基于趋势的扩散模型，用以描述状态依赖的偏态残差分布，并为非平稳监测生成残差样本集合。同时，还运用基于图的变分自编码器从残差域中学习传感器间的潜在依赖结构，为时间风险演变分析及传感器级检测提供诊断依据。在真实的工业润滑油监测数据上的实验表明，所提出的框架的平均F1分数可达0.985，在有限测试集的预设预警区间内未出现任何误报。除了能够准确检测异常外，ResAD-Net还能在明显的宏观偏差出现之前捕捉到残差分布的早期变化，为解读系统级警报前的润滑油监测变化提供诊断依据。
