一种基于交互式语义组合机制的工业电机诊断新型复合故障特征合成框架

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A novel compound fault feature synthesis framework for industrial motor diagnosis via interactive semantic composition mechanism

　　摘要：在工业电机系统中，复合故障的特征表现为多种单一故障的数量不足且相互随机耦合，这给运行安全与生产效率带来了极大挑战。然而，现有的诊断方法通常将复合故障视为独立的故障模式，忽视了各单一故障之间的内在耦合关系及潜在不确定性，从而导致诊断性能下降。为解决这些问题，本研究提出了一种针对工业电机系统的新型智能故障诊断方法。首先，构建了深度故障敏感特征分层学习网络，该网络能够通过自适应捕获局部空间信息与全局层次依赖关系，从而更全面地表征单一故障特征。随后，基于潜空间关系变分自编码器网络与交互式语义组合机制，提出了复合故障特征合成策略。该方法通过学习各个单一故障的语义原型并挖掘其交互组合模式，生成高保真度的复合故障特征。在此基础上，构建了自适应复合故障诊断模型，通过建立以诊断为导向的语义嵌入空间，保留不同复合故障的固有特征模式，从而准确识别未曾出现过的复合故障。所提方法在两个工业电机数据集上的实验结果表明，它能够有效生成高保真度复合故障特征，其诊断性能显著优于现有先进方法。

引言：作为现代工业系统的主要驱动设备，电机在保障各类工业流程的可靠稳定运行中起着关键作用。随着系统规模、功能集成度及结构复杂性的不断提升，对工业电机系统的可靠性、安全性与稳定性提出了更为严格的要求。轴承、定子、转子、轴不对中以及润滑不足等关键电机部件的故障，可能导致性能下降、非计划停机，甚至引发灾难性故障，带来巨大的经济损失与严重安全风险。因此，故障诊断已成为工业电机状态监测与预测性维护中不可或缺的组成部分。它有助于提前发现潜在的故障趋势，推动维护方式从被动响应向智能化、数据驱动的资产管理转变。

为解决电机故障诊断问题，人们开发出了多种诊断方法。基于传统信号处理的技术仍是工业应用中最广泛采用的方法，典型方法包括包络分析、基于傅里叶变换的频谱分析以及基于小波变换的时频分析，这些方法通过从振动信号中提取峰度、均方根值和频谱能量等手工设计的特征来表征设备状态。此外，还有些研究基于机器部件的物理与数学模型，探索基于模型的诊断技术，为理解故障机制提供了理论基础。在这些信号表征方法的基础上，人们又引入了基于深度学习的故障诊断模型，如卷积神经网络、循环神经网络、Transformer架构以及注意力驱动型结构，这类模型能够从原始或经过处理的信号中自动学习出具有层次性和区分度的特征。

与传统信号处理技术相比，基于深度学习的模型对噪声及运行条件变化具有更强的鲁棒性，在数据驱动的故障诊断任务中取得了显著成效。但在实际的工业环境中，电机系统不仅可能面临单独的单一故障，还可能存在多种共存且相互作用的故障源，进而形成复合故障。由于故障间存在组合效应，某些复合故障模式可能在训练过程中并未被明确观测到，从而导致此前未曾出现过的复合故障场景。与单一故障相比，复合故障具有非线性耦合效应、重叠的时频特征以及更高的诊断不确定性，这些因素大大增加了故障识别与区分的难度。尽管传统信号处理方法与基于深度学习的方法在单一故障诊断中都展现出良好效果，但大多数现有方法都是在以单一故障为假设的前提下开发的，这一假设限制了它们对故障交互行为的建模能力，也难以可靠地推广到复杂或未曾见过的复合故障场景中。在复合故障条件下，相互交织的特征模式与模糊的故障边界会显著降低传统区分模型的可靠性，若直接应用的话。

目前，已有许多研究从不同的数据驱动视角探讨复合故障诊断问题。这些方法可大致分为三类方法论框架：区分式模型、生成式模型与自适应模型。区分式模型通常将复合故障诊断视为多标签或多输出分类问题，采用多分支卷积神经网络、时频融合网络以及带注意力增强的特征提取器等架构，用于表征跨故障间的关联与非线性退化模式。相比之下，生成式模型则利用变分自编码器、生成对抗网络、潜变量模型以及基于物理原理的合成机制，对复合故障信号的底层分布进行建模。这类方法能够增加样本多样性、缓解数据稀缺问题，并捕捉单一故障之间的潜在耦合关系。自适应策略则结合区分式学习与生成式学习，融入迁移学习、领域自适应、元学习以及自监督表示学习等方法，旨在提取能够在不同机器、不同运行工况以及未曾见过的复合故障场景下依然保持稳定的特征。此外，零样本学习作为一种极具前景的范式，通过将已知单一故障模式的语义知识迁移到新的故障组合中，实现了对未曾见过复合故障的识别。典型的零样本学习方法通过属性嵌入、度量学习或关系推理建立语义关联，从而减少对大规模标注数据集的依赖，提升在复杂工业环境中的泛化能力。尽管取得了这些进展，但在工业电机系统的复合故障诊断领域，仍有若干关键的工程难题尚未得到充分解决：（1）特征表示能力有限：大多数现有诊断方法依赖固定尺度的特征提取，忽视了数据中蕴含的空间信息。由于在负载波动、转速变化以及强背景噪声环境下难以提取出可靠且稳定的单一故障特征，这些方法对运行条件变化极为敏感，导致故障特征表现不稳定且不一致；（2）数据稀缺与不平衡：在实际工业应用中，复合故障样本极为稀少且分布极不均衡，这对现有的故障特征合成方法构成了严峻的数据限制。这些方法往往无法捕捉多种故障模式之间复杂的非线性耦合机制，也无法充分表征复合故障的多维特性，因而使得数据驱动的故障合成模型无法生成具有实际应用价值的复合故障特征；（3）缺乏故障组合建模能力：大多数现有诊断方法假设复合故障模式是固定且不可分解的，忽视了复合故障实际上是由多个单一故障成分的相互作用与耦合所形成的这一事实。因此，这些方法无法捕捉故障构成要素之间的潜在语义关联，面对未曾见过的复合故障场景时，其泛化能力较差且可解释性有限。

鉴于上述挑战，本文提出了一种基于交互式语义组合机制的工业电机系统复合故障诊断新特征合成框架。该框架首先构建了深度故障敏感特征分层学习网络，用于从时频信号中提取结构化且具有语义意义的单一故障特征。随后，利用潜空间关系变分自编码器网络学习这些单一故障的语义原型，并建模其交互组合关系，从而无需真实的复合故障样本即可合成高保真度的复合故障特征。最后，构建了自适应复合故障诊断模型，建立以诊断为导向的语义嵌入空间，保留复合故障的固有特征结构，从而实现已知及未曾见过的复合故障的准确识别。本文的主要贡献如下：（1）所提出的DFS-FHLN网络能够在局部与全局空间尺度上全面表征单一故障特征，相较于传统方法，它能够提取出更具区分度且信息更丰富的单一故障特征，从而提升了提取特征的一致性与表示稳定性；（2）通过在语义对齐损失函数指导下学习各个单一故障的原型，并建模其交互组合模式，所提出的复合故障特征合成策略能够从单一故障样本中生成高保真度的复合故障特征，显著提高了复合故障的识别精度；（3）为准确识别未曾见过的复合故障，本文基于以诊断为导向的语义嵌入空间构建了自适应复合故障诊断模型。该模型能够锁定具有代表性的类别语义中心，并保留不同复合故障的固有特征模式，从而提升在复杂运行环境下的诊断泛化能力与可靠性。

总体而言，本文的其余部分结构如下：第2节回顾了深度特征提取与复合故障诊断领域的相关研究；第3节详细介绍了所提出的复合故障诊断框架；第4节通过工业电机数据集进行了大量实验，以验证所提方法的有效性；最后，第5节对全文进行总结，并提出了未来的研究方向。

故障特征提取：有效的特征提取是故障诊断中至关重要且具有决定性意义的一步，因为提取特征的质量与区分能力直接影响诊断模型的准确性、鲁棒性及泛化性能。近年来，基于深度学习的方法已被广泛用于学习层次化的时频表征，并从复杂的、非平稳的振动或声学信号中提取与故障相关的特征。

所提方法：在本节中，我们介绍了如图1所示、由交互式语义组合机制引导的工业电机系统复合故障特征合成框架的整体流程。该框架系统地分为五个关键步骤：（1）数据处理；（2）自适应层次化故障敏感特征表示；（3）复合故障特征合成；（4）以诊断为导向的语义嵌入空间构建；（5）自适应故障诊断。

1）数据：为了评估所提出的复合故障诊断框架的性能，我们采用了三组专门的评估指标。这三种几何指标——类内紧凑度、最近类间距离以及故障区分度比，用于对层次化特征进行评估，其计算公式如下：Intrak=1/Nk∑i=1/Nk‖xi(k)-μk‖2/2，Interk=min{k≠j}‖μk-μj‖2，FDRk=Interk/Intrak，其中xi(k)表示第i个特征样本，Nk表示第k类的样本数量。

结论：考虑到在大多数情况下复合故障是由多种单一故障的随机耦合所引发的现实工业场景，本研究提出了一种由交互式语义组合机制引导的工业电机系统复合故障诊断新特征合成框架。首先，通过捕捉多尺度表征层面下与故障相关的特征之间的内在关联与结构联系，所提出的DFS-FHLN网络能够全面且深入地表征单一故障特征，且具有更强的……

CRediT作者贡献声明：熊光良——撰写原文初稿、验证工作、资源准备、方法设计；程德军——撰写文章的审阅与编辑工作、验证工作、监督指导、方法设计；王政——负责监督工作；王东欢——撰写文章的审阅与编辑工作。

利益冲突声明：作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢：本研究得到了中国国家自然科学基金项目（编号52305060）的支持。

熊光良|程德军|王政|王东欢