基于多视图异构集成学习的EHA多元时间序列故障识别方法

《Machines》：A Fault Identification Method for EHA Multivariate Time Series Based on Multi-View Heterogeneous Ensemble Learning

　　

电静液作动器（EHA）的精确故障分类仍然具有挑战性，因为多元故障信号包含局部瞬态变化、变量间耦合和动态时间依赖关系，这些难以使用单一模型同时捕获。为解决此问题，本文提出了一种用于EHA多元时间序列故障分类的多视图时间特征协同异构集成学习模型（MTF-HEM）。MTF-HEM集成了代表性子序列引导的时间序列森林（RSG-TSF）、XGBoost和轻量级长短期记忆网络（LSTM），分别提取局部形态特征、全局统计特征和时间依赖特征。这些异构基学习器的输出通过自举驱动的袋外概率分箱堆叠（BOPB-stacking）策略进行融合。所提方法在基于AMESim的仿真EHA柱塞泵故障数据集上进行了评估，该数据集包含一个正常状态和六个故障状态。在当前仿真设置下，MTF-HEM达到了99.52%的准确率，并优于测试的深度时间序列分类模型、集成模型和单个基学习器。这些结果表明，多视图异构特征融合可以改进仿真EHA故障时间序列的分类，并为智能作动器故障诊断提供了方法参考。然而，当前的验证基于单一AMESim仿真模型生成的数据，需要在真实EHA系统上进一步评估以确定所提方法的实际适用性和泛化能力。

## 论文解读：基于多视图异构集成学习的EHA多元时间序列故障识别方法

### 研究背景与问题

电静液作动器（EHA）因其结构紧凑、功率密度高、响应快等优势，广泛应用于航空航天飞行控制舵面、机电伺服系统及高端装备驱动领域。然而，在复杂工况和长期服役下，EHA可能因内部部件磨损、密封失效及外部负载扰动而退化或故障。不准确或滞后的故障识别会降低控制精度、恶化作动性能并危及系统可靠性，因此高精度EHA故障诊断具有重要理论和实践价值。由于EHA可靠性高、故障频率低，实际采集到的故障样本通常少于正常样本，给故障识别模型带来了挑战。

现有故障诊断方法可分为基于模型、基于信号处理和基于数据驱动三类。基于模型的方法依赖系统动力学和状态观测器，物理可解释性强但对模型精度和先验知识要求高；基于信号处理的方法通过小波分析、时频分析提取故障特征，但特征构建常依赖手工设计，变工况下泛化能力有限；数据驱动方法在模式识别和自动特征提取方面优势突出，已成为EHA故障诊断的重要方向。然而，现有研究仍存在三方面局限：第一，许多方法未明确选择局部故障敏感子序列，可能削弱瞬态故障模式的表征；第二，单一模型通常从一种主导特征视角描述故障信号，难以全面捕获局部形态、全局统计、变量间耦合和时间依赖关系；第三，传统集成融合常直接使用预测标签或原始概率，未充分利用基学习器的置信度行为。这些局限促使研究人员提出多视图异构集成框架，结合代表性子序列提取和概率置信度感知融合。

此外，在不平衡故障诊断中，少数类故障样本有限时，传统诊断模型易偏向多数类，导致少数类识别率降低和漏检风险增加。为缓解此问题，已有研究采用加权条件变分自编码器进行数据增强或动态增广代价敏感跨域诊断策略。同时，EHA故障信号常呈现多元耦合、明显局部瞬态和复杂长时间依赖关系，单一模型难以全面捕获。因此，实现更有效的局部特征提取、全面的多视图时间表征以及预测信息的充分利用，仍是EHA故障诊断研究的关键挑战。

### 研究内容与结论

针对上述问题，研究人员提出了一种基于多视图异构集成学习的EHA多元时间序列故障识别方法，即MTF-HEM。该模型集成了三个异构基学习器：代表性子序列引导的时间序列森林（RSG-TSF）、XGBoost和轻量级LSTM，分别提取局部形态、全局统计和时间依赖特征，并通过自举驱动的袋外概率分箱堆叠（BOPB-stacking）策略进行融合。在基于AMESim仿真的EHA柱塞泵故障数据集（包含1种正常状态和6种故障状态）上，MTF-HEM在平衡样本设置下达到了99.52%的准确率，优于InceptionTime、TapNet、1D-CNN-LSTM、XGBoost和AdaBoost等对比方法。在不平衡样本实验中，MTF-HEM在少数类样本上仍保持95%以上的准确率，展示了良好的鲁棒性。消融实验验证了RSG-TSF和BOPB-stacking模块的贡献，噪声鲁棒性实验表明MTF-HEM在信噪比低至30 dB时F1分数仍达94.58%。该研究为EHA智能故障诊断提供了方法参考，论文发表在《Machines》。

### 主要关键技术方法

研究人员构建了MTF-HEM模型，核心方法包括：（1）代表性子序列引导的时间序列森林（RSG-TSF），通过类内代表性子序列选择和判别性子序列提取，减少随机子区间的噪声冗余和关键段遗漏；（2）XGBoost，从全局统计特征和变量间关联角度建模；（3）轻量级LSTM，通过时间下采样、单层单向结构简化，捕捉动态时间依赖关系；（4）自举驱动的袋外概率分箱堆叠（BOPB-stacking），利用自举采样生成袋外概率，通过概率分箱编码构建元特征，由元学习器进行融合决策。实验数据来源于基于AMESim 2021.1搭建的EHA仿真模型，模拟了正常状态（F0）、轻度油液含气（F1）、重度油液含气（F2）、轻度柱塞泵泄漏（F3）、重度柱塞泵泄漏（F4）、轻度伺服阀卡滞（F5）和重度伺服阀卡滞（F6）共7种健康状态。每个样本为1024×7的多元时间序列，包含定子A相电流、作动器位移、柱塞泵入口/出口流量、柱塞泵入口/出口压力和柱塞泵泄漏流量等7个传感器信号。

### 研究结果

**5.1 评价指标**：采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数、混淆矩阵和假负率（FNR）进行综合评估。

**5.2 实验环境与参数设置**：在Intel Core i7-14650HX CPU、NVIDIA GeForce RTX 4060 GPU（16 GB内存）的硬件平台，Windows 11、Python 3.11、PyTorch 2.2.2、CUDA 12.1环境下进行。所有实验重复5次取均值与标准差。

**5.3 对比方法**：选取TapNet、InceptionTime、1D-CNN-LSTM作为深度时间序列分类基线，XGBoost和AdaBoost作为集成学习基线。

**5.4 与代表性时间序列分类模型对比**：
- **5.4.1 多元时间序列分类性能**：MTF-HEM在准确率（99.52%）、精确率（99.54%）、召回率（99.52%）、F1分数（99.52%）上均最优，相比InceptionTime准确率提高4.37%，相比1D-CNN-LSTM提高9.24%。混淆矩阵显示MTF-HEM各故障状态高度对角线集中，错误分类最少。
- **5.4.2 不平衡样本下的分类性能**：在不平衡数据集上，MTF-HEM在所有类别上准确率均高于95%，在少数类F1、F3、F6上分别达到96.74%、95.41%、97.35%，平均准确率（97.26%）和标准偏差（1.43%）均优于对比方法，表明异构集成能有效缓解不平衡导致的性能下降。
- **5.4.3 计算复杂度分析**：MTF-HEM训练时间21.15秒，模型大小69.25 KB，训练GPU内存1043.10 MB，虽训练时间高于对比方法，但GPU内存低于三个深度模型，且准确率最高，实现了分类性能与计算成本的较好平衡。
- **5.4.4 噪声鲁棒性实验**：在45 dB、40 dB、35 dB、30 dB高斯白噪声下，MTF-HEM在30 dB时F1分数仍达94.58%，且标准偏差最低，优于所有对比方法。

**5.5 消融实验**：
- 将RSG-TSF替换为传统TSF（消融1），准确率降至89.64%，FNR升至10.49%，证明子序列引导机制显著提升局部特征判别力。
- 将XGBoost替换为CatBoost（消融2），准确率95.38%，低于完整MTF-HEM，表明XGBoost在当前小样本任务中能更有效刻画非线性统计边界。
- 移除LSTM（消融3），准确率降至90.86%，FNR升至9.29%，说明动态时间依赖特征对区分相似故障状态至关重要。
- 将BOPB-stacking替换为传统Stacking（消融4）和Boosting（消融5），准确率分别为94.62%和92.35%，FNR分别为5.49%和7.79%，验证了BOPB-stacking通过袋外概率和分箱编码增强融合效果。

**5.6 参数敏感性分析**：
- **概率分箱数**：从2增至10时F1分数从96.85%升至99.52%，FNR从3.18%降至0.48%；超过10后性能下降，故设为10。
- **袋外预测轮数**：从1增至3时F1分数从97.04%升至99.52%，FNR从2.95%降至0.48%；超过3后训练时间大幅增加但性能略降，故设为3。
- **判别性子序列数**：从10增至40时F1分数从95.82%升至99.52%，FNR从4.16%降至0.48%；超过40后引入冗余段导致性能下降，故设为40。

**5.7 MTF-HEM与基学习器对比**：MTF-HEM准确率和F1分数均达99.52%，相比最优单一基学习器XGBoost（92.74%）提高6.78%，相比RSG-TSF（90.32%）提高9.20%，相比轻量级LSTM（88.15%）提高11.37%，表明异构集成能有效弥补单一模型特征表征的局限性。

### 总结与讨论

**讨论部分**：本研究针对EHA多元时间序列故障分类问题，提出MTF-HEM模型。该模型通过RSG-TSF、XGBoost和轻量级LSTM分别提取局部形态、全局统计和时间依赖特征，并采用BOPB-stacking进行置信度感知融合。在AMESim仿真数据集上，所提方法在平衡和不平衡条件下均表现出优异的分类性能和鲁棒性。消融实验证实了各核心模块的贡献，参数分析确定了最优设置。但当前验证局限于单一AMESim仿真模型和有限故障类型，结果应在此范围内解释。未来工作将关注真实EHA实验数据验证、跨工况和跨设备评估以及在线部署优化。

**研究结论**（翻译原文第6节结论部分）：
(1)在构建的基于AMESim的仿真数据集上，MTF-HEM的准确率、精确率、召回率和F1分数分别达到99.52%、99.54%、99.52%和99.52%。与InceptionTime、TapNet和1D-CNN-LSTM相比，所提方法的准确率分别提高了4.37%、5.16%和9.24%。这些结果表明，在当前实验设置下，所提多视图集成框架取得了有竞争力的性能。
(2)不平衡数据实验进一步证明了MTF-HEM在不均匀类别分布下的鲁棒性。所提方法在少数类样本上保持了95%以上的准确率，表明异构集成框架能有效缓解少数样本不足导致的性能下降，并在不平衡条件下保持分类稳定性。
(3)消融结果表明，RSG-TSF和BOPB-stacking均对最终性能有贡献。将RSG-TSF替换为传统TSF使准确率降至89.64%，将BOPB-stacking替换为传统Stacking使准确率降至94.62%。这表明代表性子序列引导提取和袋外概率分箱融合对所研究任务是有益的。
(4)与单个基学习器相比，MTF-HEM相对于RSG-TSF、XGBoost和LSTM的准确率分别提高了9.20%、6.78%和11.37%。这表明融合互补的局部、统计和时间特征可以缓解在考虑EHA故障数据集中单一表征的局限性。

尽管所提方法展示了有希望的结果，但其验证仍仅限于单一AMESim模型生成的模拟数据和有限的故障条件。因此，结果应在此范围内解释。未来工作将重点关注使用真实EHA实验数据进行验证、跨工况和跨设备评估，以及针对在线部署的进一步优化。