基于概率的异常检测迁移学习在可靠早期故障预警中的应用

《Neurocomputing》：Probabilistic anomaly detection transfer learning toward reliable early fault warning

　　摘要在线早期故障检测是预测性维护中的关键环节，其目标是在设备持续运行过程中及时可靠地检测出故障。然而，在实际工程应用中，在线早期故障检测面临两大挑战：一是在线数据分布的漂移会导致决策偏差，二是传统基于刚性边界（如用单个超球体界定正常样本）的检测方法在噪声环境下容易引发频繁的误报。为解决这些问题，本文提出了一种基于迁移学习的概率风险感知异常检测方法。首先，通过变分自编码器利用正常状态数据构建潜在空间，并借助超球面环状结构定义三类精细状态：正常、疑似异常和异常。接着，通过一种结合领域对抗训练的新型概率规则适配机制，将离线设备的判别知识迁移到目标设备上，优化其检测边界，从而更精准地识别真实异常与疑似样本。最后，通过概率感知的报警策略将边界距离转化为连续的风险概率，有效反映故障的渐进发展过程。在MNIST～USPS物体识别异常检测任务以及来自中国某钢铁厂的真实轴承数据集上的实验表明，该方法能有效抑制误报，为在线早期故障检测提供高精度且及时的报警功能，为工业应用带来了可靠实用的解决方案。

引言近年来，关于人工智能驱动的航空设备检测的研究表明，先进的工业检测系统需应对高价值设备（如航空发动机）中的数据限制、现实环境中的不确定性以及部署约束等问题[1]。旋转机械也面临着类似的挑战——关键部件如滚动轴承的健康状况直接决定着生产系统的安全性[2]。作为预测性维护中的重要环节[3]，在线早期故障检测[4]、[5]、[6]旨在在设备持续运行时提供可靠的故障预警，从而为维护决策争取宝贵时间。目前，诸如支持向量数据描述[7]、[8]和隔离森林[9]等数据驱动的异常检测模型被广泛用于在线早期故障检测，它们通过利用正常状态数据构建一类分类问题来实现检测功能。然而，复杂的工业环境给这些方法带来了两大难题：其一，由于设备间的差异以及动态运行条件的影响[4]、[10]，在线场景中数据分布的漂移（即概念漂移）不可避免[11]，导致从离线数据中学习得到的决策边界在应用于目标领域时往往失效，将正常的波动误判为异常；其二，传统基于刚性边界的方法（如用单个超球体界定正常样本）对边界不确定性缺乏抵抗力，因此噪声引起的信号波动很容易突破这些确定性边界，引发虚假报警，进而严重降低系统可靠性[13]。为克服上述局限，近年来人们开始利用迁移学习技术进行早期故障检测[14]、[15]、[16]，这类方法通过提取与领域无关的特征表示，借助源领域的早期故障判别知识来提升目标设备上的检测性能[17]。尽管已取得显著进展，但现有的大多数跨领域异常检测模型仍受限于刚性的边界机制。在跨领域数据分布漂移的情况下，正常目标样本的异常得分可能会被过高估计，而刚性边界决策又会进一步加剧边界的不稳定性，从而导致频繁的误报。此外，传统的单阈值方案缺乏捕捉早期故障渐进发展过程的灵活性，因此现有方法[18]、[19]、[20]通常只能给出突变的离散决策，无法在整个故障初期提供连续且可靠的风险预警。第2节将对这些问题进行详细阐述。在实际工程中，为早期故障提供连续的报警功能至关重要。在钢铁制造行业，出于经济考虑，设备在出现早期异常信号后往往仍需继续运行，这就使得及时、可靠的早期故障预警显得尤为重要。这一点在本研究涉及的滚动磨床齿轮箱轴承等部件中尤为明显（见第4节）。在设备运行期间，工程师必须持续跟踪故障的发展态势以进行风险评估[21]、[22]，因此，一个有效的在线早期故障检测系统不仅要能够准确识别异常，还需能够清晰呈现故障的发展过程。从统计学角度来看，在线早期故障检测本质上是一个概率风险评估问题，即量化从初始扰动到真正故障发生这一过程中故障发展的置信度。与SVDD[7]、[8]等典型的确定性报警策略不同，概率评估能为复杂的工业环境提供稳健的不确定性量化方法。基于上述分析，本研究探讨了跨领域早期故障检测中的一个核心问题：如何有效地在不同领域之间传递存在不确定性的判别知识？在噪声严重的开放型工业环境中，早期故障通常并非明显的二元状态，而是逐渐显现并混杂在正常运行噪声之中，这使得决策边界变得不确定且不稳定。因此，仅依靠特征级的领域适应或单一的刚性边界异常检测器，是无法实现可靠在线预警的。图1通过比较传统基于刚性边界的检测方法与本文提出的方法在跨领域数据分布变化情况下的表现，阐述了本研究的出发点。为解决这一问题，本文提出了一种概率规则适配机制，用于对存在不确定性的判别规则进行建模与传递，该方法被称为概率风险感知异常检测方法（PRAD）。PRAD方法旨在提取早期故障的精细语义表征，并将其跨领域传递。具体而言，首先使用变分自编码器[23]学习正常状态数据的深层潜在表征，构建一类超球面环状结构以形成软决策边界（即概率检测规则）；接着设计一种概率规则适配机制，将源领域的学习得到的检测规则适配到目标领域的流式数据上；最后将距离得分转化为连续的风险概率，用于在线早期预警。在该方法中，深度SVDD和领域适应仅作为基础算法工具，而真正的核心贡献在于基于不确定性感知的规则传递建模，以及该模型在开放运行条件下的可靠早期故障预警应用。本文通过物体识别和轴承早期故障预警两项独立任务验证了所提方法的有效性。本文的主要贡献如下：（1）我们基于超球面环状结构构建了一种新的异常检测模型。与传统刚性边界模型不同，该模型将决策空间划分为正常、疑似异常和异常三类精细的语义区域，从而能够以概率化、渐进的方式描述故障的初期发展过程。（2）我们提出了一种概率规则适配机制，用于实现判别信息的稳健传递。该机制突破了传统的特征对齐思路，能够明确对齐不同领域中正常样本的决策边界，从而在目标领域中实现离线检测规则的适应性重构，有效抑制潜在的分布漂移，减少因跨领域差异导致的误报。（3）我们开发了一种连续的概率风险评估策略。通过将超球面环状结构对应的距离得分转化为连续的故障风险概率，该方法取代了传统的突变离散报警方式，能够以连续且量化的形式呈现设备故障的初期发展情况，从而显著提升在线早期故障检测的可解释性和稳定性。