《Machines》：Channel-Selective BO-Fusion-PINN for Parameter-Generalized Fault Diagnosis of Permanent Magnet Synchronous Motors
编辑推荐：
由于制造公差和热漂移引起的参数变化使得永磁同步电机（PMSM）故障严重程度估计变得困难，因为电机级偏移与故障效应在d–q模型中相互耦合。本文提出了一种用于参数泛化故障诊断的通道选择性BO-Fusion-PINN。研究人员首先利用健康参考窗口通过积分最小二乘
由于制造公差和热漂移引起的参数变化使得永磁同步电机（PMSM）故障严重程度估计变得困难，因为电机级偏移与故障效应在d–q模型中相互耦合。本文提出了一种用于参数泛化故障诊断的通道选择性BO-Fusion-PINN。研究人员首先利用健康参考窗口通过积分最小二乘观测器估计电机参数偏差，从而避免神经网络对这些偏移进行外推。随后，诊断窗口由物理信息长短期记忆（LSTM）分支和数据驱动LSTM分支并行处理，贝叶斯优化为定子电阻退化和永磁磁链削弱分配独立的融合权重。在参数分布外（OOD）区间和非理想仿真设置上的实验表明，融合估计器始终优于任一单独分支。该方法在磁链通道上尤为有效，并且在保持物理可解释性的同时与高容量数据基线保持竞争力。主要的科学贡献在于一种可辨识性引导的融合规则，该规则根据各故障通道的统计可观测性而非单一全局权重来分配物理与数据信任；在实际应用中，该方法产生了一个紧凑且可解释的估计器，可跨机器类别的参数容差带迁移，并且在原则上可支持匹配窗口采集协议下的受控生产线末端筛选和计划性诊断评估。
## 论文解读文章
**研究背景与存在问题**
永磁同步电机（PMSM）凭借高功率密度、快速动态性能和高效率，广泛应用于电动汽车、工业伺服机构和高性能机电传动系统，其可靠性直接关系系统安全与运行可用性，因此故障诊断是当代电机驱动技术的重要课题。常见故障模式包括匝间短路、转子偏心、轴承扰动、逆变器侧异常及永磁体退磁等。尽管数据驱动方法在故障诊断领域取得了显著进展，但当被测电机不属于训练集时，诊断性能会明显退化。现有迁移学习与域泛化研究主要针对负载、转速、传感器类型或目标域可用性等工况偏移，而PMSM的参数变化——由制造公差、热效应、磁性材料渐近退化及电机间差异引起的定子电阻、绕组电感和磁链本征变化——是一种更具结构性的特殊域偏移。由于这些本征参数与故障共同进入相同的d–q方程，模型在训练电机上表现良好，却无法在未见电机上区分真实故障与单纯参数偏移。此外，两个故障通道的可观测性并不对称：磁链削弱受转速相关反电动势强烈激励而易于辨识，电阻变化则弱可观测且易与电感变化混淆，这一不对称性使得单一统一估计器难以契合底层物理规律。
**研究内容与结论**
针对上述问题，研究人员提出了通道选择性BO-Fusion-PINN框架，将参数观测、序列化严重程度估计与分支融合作为独立任务处理：健康参考窗口通过积分最小二乘观测器锚定电机特定偏移；物理信息LSTM分支与数据驱动（注意力LSTM）分支并行处理诊断窗口；贝叶斯优化（BO）为定子电阻退化与永磁磁链削弱分别分配通道特异性融合权重。核心设计原则是：不应全局性地决定物理模型或数据驱动孰优孰劣，而应根据各故障通道的可辨识性分配信任。实验表明，融合估计器始终优于任一单独内部分支，尤其在磁链通道上效果显著，同时与高容量数据基线保持竞争力并保留物理可解释性。主要科学贡献在于提出可辨识性引导的融合规则——依据统计可观测性而非单一全局权重分配物理与数据信任。该方法产生紧凑且可解释的估计器，可跨机器类别参数容差带迁移，原则上支持受控生产线末端筛选与计划性诊断评估。论文发表在《Machines》期刊。
**主要技术方法**
研究人员采用以下关键技术方法：在MATLAB R2024a（美国马萨诸塞州纳蒂克市MathWorks公司）中构建受控虚拟电机群体数据生成协议，每个样本包含同一电机健康参考窗口与故障诊断窗口，每窗口300个采样点、采样间隔0.1 ms；积分最小二乘参数观测器通过对电压方程积分消除微分项，从健康窗口估计电机级参数偏差；物理信息LSTM分支结合d–q轴残差（采用轴通道梯度路由）进行训练；基于加性注意力池化的数据驱动LSTM分支；通道独立贝叶斯优化融合（高斯过程代理、Matérn-5/2核、期望改进采集函数）；基于Fisher信息与Cramér–Rao下界（CRLB）的可辨识性分析。
**研究结果**
**4.1 仿真数据集与评估协议**：研究人员在MATLAB中生成虚拟电机群体以分离参数泛化与普通工况偏移。样本按实测最大相对参数偏移重分至互不相交的ID、Mid、Far、Xtm、Ext五个壳层，各电机仅出现在一个数据子集中，采用10个训练种子（42–51）和固定120轮训练预算。
**4.2 参数OOD泛化与分支互补性**：在理想数据集上，所有模型仅在参数区间内训练，并在互不相交的分布外（OOD）壳层上无适应评估。融合估计器在Far壳层达到平均绝对误差（MAE），优于物理分支和数据分支；在Ext壳层仍保持此优势。验证集选择的权重为（电阻通道）和（磁链通道），表明磁链通道更多依赖物理分支而电阻通道依赖数据分支。消融实验证实去除最小二乘参数特征会使误差显著上升，而替换为真值仅带来边际改善。
**4.3 电阻通道可辨识性的实证分析**：故障感应电流波动约为测量噪声标准差75倍，表明信号本身含可测电阻信息。但磁链变化的归一化灵敏度为电阻变化的5.12–5.44倍，电阻回归列在电感列子空间投影后仅2.1–3.9%正交分量残留，d轴设计矩阵条件数中位数达，呈统计病态。CRLB分析给出电阻标准差下界（ID、far、ext子集分别为0.099、0.083、0.069），物理反演估计高于此下界但同数量级；数据驱动模型可通过偏差-方差权衡突破无偏估计下界。
**4.4 非饱和真实扰动集与饱和边界鲁棒性评估**：非饱和扰动包包含测量噪声、12位ADC量化、逆变器谐波、交叉耦合电感与铁损。零样本迁移下融合误差几乎不变（Far壳层配对增量仅，95%置信区间），固定权重和保持不变。饱和使电感状态依赖化，归一化失配指标增至非饱和情形约四倍，物理分支误差上升（0.0562→0.0809），但融合将其缓解至0.0613，表明饱和是恒定参数观测器的运行边界。
**4.5 泛化套件**：跨额定功率研究表明零样本迁移有限（总MAE约–），按额定值重训练后恢复性能；未见运行工况（复合转速/负载阶跃、正弦转速剖面）下融合仅轻微退化，远区间误差与原协议持平；独立生成的电机群（种子999，含非饱和扰动包）上远区间MAE保持稳定，为当前最接近独立数据集的代理验证。
**4.6 与已发表基线比较与统计检验**：Demag-PINN弱于所提融合，SASEN在总MAE上略优（Far壳层vs）。通道分解显示融合在磁链通道显著领先（MAE 0.0158对SASEN 0.0233，降低32.4%）。PINN-Transformer辅助比较给出最佳总误差，表明物理约束不局限于LSTM骨干。v15+SASEN上界实验（权重，）在所有壳层显著优于单独SASEN（均），验证了通道选择性融合原则的通用性。
**4.7 耦合故障、优化可扩展性与实际成本**：耦合故障桶中融合模型在电阻和磁链通道分别获得MAE，磁链误差与独立采样ID数据接近。部署模型含45,445个参数，每样本处理4.06 ms（混合CPU/MPS实现），训练约70–120 s/种子，完整十种子运行约40分钟（单GPU）。BO在二维权重问题上与网格搜索结果一致，其价值在于可扩展至未来高维或输入条件化权重场景。
**4.8 制造质量控制的实际意义**：参考窗口观测器将单元级偏移转化为确定性电机特定描述，使网络仅需估计退化量，在模拟机器类别和测试容差带内无需逐单元重训练即可适应单元间参数变化。估计偏移量可用于统计过程控制以监测磁体弱化或电阻分布漂移。计算负担适中，支持未来嵌入式检测硬件评估，但所有结论仍基于仿真，部署需仿真到现实（sim-to-real）验证。
**讨论与结论**
讨论部分指出，融合层采用两个全局固定但通道特定的系数（电阻与磁链各一），易于解释但无法逐样本自适应，未来可扩展至运行工况特定权重或输入条件化权重。三项主要局限为：缺乏硬件在环或独立有限元验证；电阻通道信息边界由Fisher信息决定，单纯增大物理信息神经网络（PINN）惩罚无法创造缺失信息，更有效方向包括更丰富激励、温度相关电阻模型及更强数据分支；饱和使恒定参数d–q模型失效，需开发饱和感知残差或查表电感模型。
研究结论表明：本研究开发了电机参数变化下PMSM故障严重程度估计的通道选择性物理–数据融合框架，将电机级偏移与故障相关变化分离。积分最小二乘观测器首先从参考窗口估计健康电机偏移，诊断窗口随后由并行物理信息与数据驱动分支处理，并以通道特定权重组合输出。配对参考窗口消除了电机变化与故障严重程度间的结构性模糊性，但未使两通道同等易估：电阻通道仍统计病态，磁链通道受d–q方程更好支撑。优化融合因此赋予电阻通道更多数据信任、磁链通道更多物理信任；单一全局权重在验证目标上表现更差。在更严格的互不相交壳层评估下，融合估计器优于任一内部分支并保持磁链通道物理引导优势，总体误差接近但未超越最强高容量自注意力基线。主要结论并非PINN单独解决参数OOD诊断，而是可辨识性分析能指示物理模型何处可靠、数据应何处承担更多估计任务，以及如何在不掩盖各自局限性的前提下组合两种信息源。
