面向工业过程的具有不确定性量化的少样本故障诊断方法

《Journal of Process Control》：Few-shot fault diagnosis method with uncertainty quantification for industrial processes

　　•云模型被用于描述故障数据中的随机不确定性。•提出了一种基于不确定性量化的数据增强方法用于故障诊断。•设计了一种多目标进化策略来优化云特征。•所提出的LMGCN方法能够在较低开销的情况下提升区分能力。•在控制阀和振动筛数据集上的实验验证了其优异的性能。引言随着现代复杂工业系统日益集成化及大规模发展，生产过程的各个阶段变得高度相互依赖[1]。任何一个组件出现故障都可能导致整个工业系统偏离预期运行状态，从而降低生产效率，甚至引发严重的安全事故[2]。因此，开发高效的故障诊断方法以确保工业系统的稳定运行以及生产过程的安全，已成为复杂产业健康可持续发展的关键任务。近年来，传感技术的快速发展以及工业大数据的不断积累，使得人们能够从海量流程数据中提取有价值的信息[3]。在此基础上，数据驱动的故障诊断方法能够自动从现有数据中识别潜在的故障模式，推动了工业故障诊断领域的快速发展[4][5]。然而，构建高精度的数据驱动故障诊断模型需要充足且多样化的故障数据，以覆盖不同类型的故障。在工业生产过程中，设备通常大部分时间都在正常状态下运行[6]。同时，由于工业系统的复杂性、设备信息的不完整性以及检测环境的不稳定性，很难收集到足够的故障数据。因此，数据驱动的故障诊断方法常常面临少样本问题。为了解决少样本故障诊断问题，现有研究主要聚焦于三类方法[17]：迁移学习、元学习以及数据增强。迁移学习旨在利用来自具有丰富标记数据的源领域的诊断知识，将其转移到样本有限的目标领域。例如，李等人提出了一个结合特征匹配、特征选择和分类器设计的联合域匹配与分类框架[7]。此外，戴等人提出了一种强大的跨域故障诊断方法，该方法在统一框架内协同优化特征区分度指标以及自适应加权联合分布差异[8]。不过，这些方法的有效性在很大程度上取决于源领域与目标领域之间的相关性，而显著的分布差异则可能导致负面迁移效应。元学习，也被称为“学会学习”，旨在训练出仅凭少量标记样本就能快速适应新任务的模型。典型的方法包括模型agnostic元学习（MAML）[9]和原型网络[10]。这些方法在训练过程中构建大量周期性任务，以捕捉可迁移的先验知识并提升模型的泛化能力。然而，它们的性能在很大程度上依赖于任务构建的质量，当辅助任务有限时，性能可能会下降。与那些通过模型架构或学习机制间接缓解数据匮乏的方法相比，数据增强是从以数据为中心的角度出发，通过分析数据特征和分布直接扩展训练集[18]。传统的过采样方法是根据先前的特征分布生成新样本；例如，王等人提出了一种基于K-medoids的合成少数类过采样技术（SMOTE），并结合局部保持投影来生成少数类故障样本并提取具有区分性的特征[11]。尽管这类方法有助于缓解过拟合问题，但在高维度、噪声较大的工业环境中，生成的样本往往偏离真实数据分布[19]。近年来，诸如生成对抗网络（GANs）[12]和扩散模型（DMs）[13]这样的深度生成模型，在通过学习原始数据的底层分布来合成虚拟样本，从而缓解少样本问题上展现出巨大潜力。然而，在处理包含随机不确定性的工业信号时，现有的生成方法往往难以准确描述数据的固有随机性和模糊性，进而限制了生成样本的多样性。更关键的是，工业故障数据存在显著的随机不确定性，这主要源于测量噪声和传感器误差[20]。这种不确定性源自数据生成过程的固有随机性，即便有足够的数据存在，它依然存在[21]。针对工业数据的传统数据增强方法通常是通过添加高斯白噪声或进行简单的线性变换来生成新样本。这类方法一般假设噪声遵循简单的高斯分布，这可能忽视了工业信号中随机性与模糊性相互作用所带来的复杂不确定性。在少样本场景下，如果不对不确定性进行建模，增强的样本可能会偏离原始数据的底层分布特征。这样一来，模型在分类时可能会对随机波动更加敏感，导致类间决策边界变得模糊，最终降低诊断决策的可靠性。为了有效建模此类不确定性，贝叶斯方法通过概率分布来描述不确定性[14]。然而，它们通常需要先验假设，并且后验推理的计算量很大，在少样本条件下很难可靠地建立先验。模糊集理论通过隶属函数来表示不确定性，但它主要关注概念的模糊性，并未明确描述隶属度本身的随机性[15]。最近，云模型作为一种用于定性概念与定量数据之间双向映射的不确定性转换模型，越来越受到关注[16]。它通过三个可解释的云特征——期望值（Ex）、熵（En）和超熵（He）——来捕捉随机性和模糊性[22]。此外，正向云生成器将离散参数视为随机变量，从而使样本能够从一组分布族中生成，而非单一固定分布。不过，提取云特征对于受噪声污染的少量样本具有很高的敏感性。这种不稳定性会妨碍对数据分布的准确描述，甚至可能导致噪声过度放大，从而使生成数据的分布出现扭曲。另外，工业环境往往需要在有限的硬件资源与对模型高运行效率的需求之间取得平衡，这使得传统的批量学习方法不适合用于需要持续运行且能耗较低的模型[23]。幸运的是，随机化学习作为一种高效的建模方法，为神经网络的构建提供了有力的思路[24]。作为这种方法的典型代表，增量随机权重神经网络首先随机初始化隐藏层参数，然后根据预定的停止标准逐步构建网络结构[25]。然而，随机参数生成往往需要冗余且规模较大的网络架构才能获得满意的性能[26]。为克服这一局限，有人提出了一种可解释的构建算法[27]，该算法采用几何控制策略来约束隐藏层参数，从而确保模型具备较强的泛化能力。由于具有学习速度快、泛化能力强以及网络结构紧凑等优点，这类网络特别适合用于故障诊断建模。表1总结了各类方法的核心优势与局限性。总体而言，现有方法主要受到迁移学习和元学习中强烈的任务依赖性、大多数数据增强方法对随机不确定性描述不足，以及考虑不确定性的模型在保持高计算效率的同时难以同时描述随机性和模糊性等方面的限制。基于以上分析，本文提出了一种针对工业过程的新型少样本故障诊断方法，并结合不确定性量化技术。其主要贡献如下：1. 基于云模型的双向转换机制，构建了一个不确定性量化数据增强框架。该框架通过提取潜在的不确定性云特征并进行云转换，生成能够有效描述工业故障信号中固有随机性的增强云样本。2. 设计了一种多目标优化策略，用于自适应优化云特征。通过同时最小化分布差异和类内方差，这些增强云样本实现了更好的分布一致性、更高的类内紧凑性以及更可靠的不确定性表征。3. 为了在高效构建模型的同时实现高诊断精度，本文构建了一种轻量级的多粒度约束网络。该网络结合了块增量构建学习与节点几何约束，用以选择高质量的隐藏层参数，同时通过引入样本不确定性和类间云相似性约束来提升特征的区分能力。本文的其余部分结构如下：第2节介绍问题描述，第3节阐述所提出的方法及其具体实现步骤，第4节展示实验结果与分析，第5节对全文进行总结。问题描述在控制阀的整个使用生命周期中，故障通常表现为低频但风险较高的事件。收集到的故障数据量远远少于正常状态下的数据量，这使得可用于模型训练的故障样本极为稀缺[28]。与此同时，安装在这些设备上的传感器不可避免地会受到多源干扰。例如，控制阀常常会受到流体侵蚀和压力波动的影响。提出的方法本节系统地介绍了所提出方法的整体框架及具体步骤。实验与结果为评估所提方法的有效性，本节通过两个案例研究展示了详细的实验设置与性能分析。此外，还对比了几种现有的先进方法，以证明所提方法的有效性与优越性。结论本文提出了一种针对工业过程的新型少样本故障诊断方法，有效解决了随机不确定性及数据匮乏带来的挑战。所开发的不确定性量化数据增强框架利用云模型提取云特征并量化故障数据中的固有随机性，从而生成能够描述不确定性的样本。同时，还设计了一种多目标进化策略，用于自适应优化云特征。CRediT作者贡献声明范瑞鹏：撰写——初稿、验证、方法论、研究、形式分析、概念构建。戴伟：撰写——审阅与编辑、监督、资金获取、概念构建。南静：撰写——审阅与编辑、资金获取。王兰豪：撰写——审阅与编辑。刘美琴：撰写——审阅与编辑。利益冲突声明作者声明不存在任何可能影响本文工作的已知财务利益或个人关系。致谢本研究部分得到了国家自然科学基金项目62373361和U24A20272、江苏省自然科学基金项目BK20240102、中央高校基本科研业务费项目2025ZDPYQA1004、中国博士后科学基金会博士后 fellowship项目GZC20251183、江苏省优秀博士后人才资助计划项目419466以及中央高校基本科研业务费的支持。范瑞鹏|戴伟|南静|王兰豪|刘美琴