《Journal of Industrial Information Integration》：Dynamic Feature Selection for Compound Fault Diagnosis of Diesel Engines Based on Embodied Intelligence: A DQN Method Fused with Hierarchical Feature Pre-screening
编辑推荐：
•一种用于柴油机诊断的DQN与分层预筛选方法。•多领域特征库与双重筛选机制可减少冗余。•DQN通过顺序决策自适应选择最优特征子集。•闭环式具身智能系统可实现自主维护。引言作为露天采矿作业的核心动力源，柴油机被广泛应用于自卸卡车和挖掘机等重型设备中。引擎的运行可靠性直接决定了整个采
- •
一种用于柴油机诊断的DQN与分层预筛选方法。
- •
多领域特征库与双重筛选机制可减少冗余。
- •
DQN通过顺序决策自适应选择最优特征子集。
- •
闭环式具身智能系统可实现自主维护。
引言
作为露天采矿作业的核心动力源，柴油机被广泛应用于自卸卡车和挖掘机等重型设备中。引擎的运行可靠性直接决定了整个采矿系统的生产连续性和经济效益[1,2]。由于在负荷大、工况变化剧烈的恶劣环境中长期运行，柴油机极易出现各种故障。意外停机不仅会造成巨大经济损失，还可能引发严重安全事故。因此，确保柴油机的健康状态对于实现安全高效的生产至关重要。然而，传统的单一故障监测方法已无法满足现代矿山对智能化运维的迫切需求。在工业4.0背景下，仅靠“感知”不足以应对复杂风险。因此，构建具备完整“感知-认知-决策-执行”工作流的闭环式具身智能系统，实现对柴油机状态的主动监测与自适应控制，已成为提升采矿设备内在安全性与智能水平的必然趋势与核心挑战[3]。
采矿用柴油机复杂的内部结构及紧密耦合的组件往往会导致复合故障的出现，即多种故障同时发生。尽管机器学习与深度学习技术在故障诊断方面取得了显著进展，但在应对采矿领域边缘应用的具体需求时仍面临诸多难题。传统机器学习方法虽然具有较好的可解释性，但其有限的特征表示能力难以捕捉复合故障的细微特征[4]。而端到端的深度学习模型虽能实现高精度，但其“黑箱”特性导致决策过程缺乏透明度，无法满足工业场景中对功能安全的可信度要求。此外，这些模型庞大的计算开销也不适合资源受限的边缘计算环境[5]。更关键的是，现有的特征选择方法大多为静态的、全局优化的，无法适应设备在动态工况下“关键特征集”的实时变化，从而导致严重的特征冗余以及关键信息的丢失[6]。因此，克服静态特征选择的局限性，构建一个能在高精度、低开销与强可解释性之间取得平衡的动态诊断模型，是推动具身智能在采矿领域应用的亟待解决的关键科学问题。
为解决采矿用柴油机在多变工况下存在的特征冗余严重、计算资源有限以及决策可解释性不足等问题，本文从具身智能的角度提出了一种融合分层特征预筛选与深度Q网络（DQN）的动态特征选择方法。该方法旨在通过智能手段解决特征需求与计算能力之间的矛盾。首先需要构建一个兼顾物理意义与统计特性的多领域融合特征库，随后设计结合方差分析与相关性分析的分层预筛选机制，在离线阶段有效消除冗余，为系统提供高纯度的候选特征集。在此基础上，将在线特征选择建模为顺序决策问题，利用DQN学习自适应策略，在严格的特征预算约束下根据实时状态动态构建最优特征子集，同时明确建模各特征之间的组合效应。最终，设计并实现了集成动态诊断、在线风险评估与基于规则的动作映射的闭环式具身智能系统。该研究不仅能够以较低的计算成本实现精准的风险感知，还能通过透明的决策逻辑驱动安全动作的执行，为采矿设备的智能化运维提供了可行的理论依据与技术支持。
本文的具体贡献如下：
- (1)
提出了融合特征库与分层预筛选机制。为应对多变工况下采矿柴油机的分析难题，构建了兼具可解释性与表征能力的多领域融合特征库。此外，还设计了由“方差分析用于区分性预筛选”和“相关性分析用于消除冗余”组成的两阶段静态筛选策略，为在线动态选择提供高纯度、低冗余的候选特征集。
- (2)
探索了基于DQN的顺序决策范式用于特征选择。将在线特征选择重新定义为顺序决策问题，通过训练DQN策略网络，系统能够在特征预算约束下根据实时状态逐步构建最优特征子集，同时充分考虑特征间的相互作用，实现诊断性能与计算成本之间的自适应权衡。
- (3)
构建了集成动态特征选择的闭环式具身智能系统。设计并实现了完整的“感知-认知-决策-执行”原型系统，该系统将动态特征选择、在线风险评估、基于规则的安全动作触发以及数字孪生验证有机结合，形成了一个可部署且具有可解释性的工程验证框架。
本文的其余结构如下：第2节对相关研究进行综述，第3节详细阐述所提出的动态特征选择方法，第4节展示实验验证与结果分析，第5节对全文进行总结。
章节要点
相关研究
近年来，基于深度学习的数据驱动型故障诊断技术以及强调“感知-执行”协同作用的具身智能运维理念越来越受到关注。为明确采矿柴油机在线风险认知领域的技术现状与现有瓶颈，第2节系统梳理了相关领域的最新进展，重点围绕深度学习、DQN以及具身智能的应用三大方面展开分析。
融合特征驱动的动态特征选择框架
从具身智能的角度提出了一种融合特征驱动的动态特征选择框架，旨在弥补传统方法在可解释性、动态适应性以及工业现场低配置计算环境约束方面的不足。如图1所示，该框架的整体架构严格遵循“感知-认知-决策-执行”的闭环逻辑，其中感知阶段
实验设置
实验验证在WP10.290E32型六缸采矿柴油机测试台上进行，如图6所示。该柴油机的主要技术参数详见表3。为获取高质量的振动信号，搭建了包含闭环速度控制与高频振动采集功能的硬件系统。在工况控制方面，采用了CYT9100速度传感器并结合PLC，以精确稳定发动机转速。
结论
为解决故障诊断中因高维冗余特征导致的模型精度低与计算开销大的问题，本文提出了一种融合分层初步筛选机制与深度强化学习的故障诊断动态特征选择方法。其核心贡献在于构建了“先评估区分能力，再消除冗余”的分层特征选择框架，该框架
利益冲突声明
作者声明不存在任何可能影响本文工作的利益冲突或个人关系。
CRediT作者贡献说明
赵欣：写作——审稿与编辑、资源获取、研究调查、形式分析、数据整理。刘文杰：写作——初稿撰写、可视化、方法设计、形式分析、概念构建。史建华：。 万家富：监督指导、资源获取、形式分析。赵阳宇：研究调查、数据整理。
利益冲突声明
作者声明不存在任何已知的、可能影响本文工作的财务利益冲突或个人关系。
致谢
本研究得到了大同市关键研发计划（项目编号：2024012）、山西省基础研究计划（项目编号：202203021222299）、大同市应用基础研究计划（项目编号：2025058）以及山西大同大学研究生学术实践创新项目（项目编号：25SJCX18）的支持。
Xin Zhao|Wenjie Liu|Jianhua Shi|Jiafu Wan|Yangyu Zhao
