一种部分传感器失效下船用螺杆泵智能故障诊断的多传感器信息复合损失融合训练方法

《Engineering Applications of Artificial Intelligence》：A multi-sensor information composite loss fusion training methods for marine screw pump intelligent fault diagnosis under partial sensor failed

　　

# 摘要

虽然多传感器特征融合能够实现有效的故障诊断，但在恶劣的船用机舱环境中，传感器故障十分常见。当传统算法强制整合故障传感器的数据时，往往会掩盖关键的故障特征，从而降低诊断精度。为缓解部分传感器故障对多传感器信息融合的负面影响，我们提出了一种基于多传感器信息复合损失融合训练的端到端新型故障诊断方法。首先，根据传感器的空间布局构建图结构，其中节点表示各个传感器的数据。随后，采用并行的五分支卷积神经网络与Transformer（CNN-Transformer）架构：四个分支从各个传感器独立提取高级特征，而第五个分支同时接收所有传感器的原始信号，以学习全局时序相关性和同步故障模式。这些特征经过降维和初步决策计算，得到传感器特定的损失值。接下来，设计了一种动态邻接矩阵学习机制，自适应更新图中的边权重，从而实现故障传感器节点的隔离。利用这些优化后的边连接关系，图卷积网络（GCN）整合节点级特征，生成融合特征表示，进一步降维后传入最终决策层。复合损失函数将各传感器损失与融合特征损失结合，进行端到端训练。实际机舱船用螺杆泵数据集和实验室电机数据集的案例研究表明，即使在部分传感器故障的情况下，该方法仍具有强大的诊断精度和可靠性，优于现有最优方法。

# 引言

作为船舶润滑系统核心驱动设备，螺杆泵在保证整船机电系统稳定运行方面发挥着至关重要的作用。确保螺杆泵稳定高效运行已成为现代船舶运维的关键要素之一。

螺杆泵在船舶动力系统中连续运行时间较长，且面临复杂工况。因此，其故障模式相对复杂。例如，油中含有的大量杂质和颗粒会在螺杆与衬套之间产生研磨效应，加速螺杆及其支撑轴承的磨损；当输送油中气体含量过高，或循环比过高使得循环过程中油中所裹夹的气体无法逸出时，泵体内的液流发生变化，流速降低。由于气体不易被压缩，容易在泵体内形成空化现象（Gupta和Kshirsagar, 2005）。目前，国内外对螺杆泵故障诊断的研究相对较少。除了人工巡检之外，传统的泵故障诊断方法还包括电流法（Sun等, 2024）和持压法（Hosseini, 2019）。然而，上述方法难以准确诊断泵的内部状况。近年来，众多学者围绕齿轮、轴承和电机等各类旋转机械的故障诊断方法开展了广泛研究。然而，关于螺杆泵故障诊断方法的研究相对较少。随着数据驱动故障诊断技术的不断发展，深度学习模型已成为特征提取和故障识别的关键工具。它们具有强大的自动特征学习和非线性映射能力，能够从复杂的设备运行数据中精确挖掘深层次的潜在故障特征信息（Wang等, 2022）。鉴于此显著优势，本文采用数据驱动方法对螺杆泵故障诊断进行研究。

作为船用设备的重要组成部分，螺杆泵主要由电机、泵体、轴承和密封系统等部件组成。这些部件在空间上呈分散布局，通常分布在较大的区域范围内。为了实现螺杆泵运行状态的精确监测，需要利用多个传感器监测各个关键部件的状态。由于不同传感器监测的部件不同，其对故障部件的敏感度也有所不同。多传感器信息融合技术能够充分利用多传感器获取的多维度和多角度信息，有效提升系统运行的有效性和输出结果的准确性。鉴于此，开发一套有效的多传感器信息融合技术尤为迫切。

大多数传统旋转机械故障仅使用单一信息源作为故障诊断依据，例如在端到端故障诊断网络模型研究中，Wang等（2021）采用级联卷积神经网络（CNN）对非平稳条件下电机振动信号进行特征提取和故障模式识别。Jiang等（2019）对原始振动信号进行粗粒度分解，获取原始信号的多尺度特征，并使用并行三通道CNN进行特征提取和分类。Li等（2021）提出了一种具有多感受野的图卷积神经网络（GCN），能够挖掘原始振动信号样本的内在特征布局，并有效学习样本之间的相关性特征。Huang等（2019）提出了一种改进的CNN，称为多尺度级联卷积神经网络（MC-CNN），用于增强单传感器输入的分类信息。Xu等（2022）提出了一种全局上下文残差神经网络，以解决大多数CNN模型无法在变速场景下提取旋转机械关键故障特征的问题。Han等利用编码器-解码器架构对单传感器测量的振动信号进行降噪，以减少噪声对CNN特征提取的影响（Han等, 2022）。在非端到端故障诊断网络建模研究中，Huang等（2023）对单传感器测量的振动信号进行小波包分解（WPD），获取振动信号的多尺度特征，从而使CNN获得多尺度特征提取能力。为了从振动信号中提取微弱特征，Gu等（2022）采用变分模态分解（VMD）和连续小波变换对原始振动信号进行分解，获取小波时频图像，并将其作为CNN的训练样本，以实现高精度的可靠故障诊断。Yu等（2015）使用了改进的集合经验模态分解（MEEMD），通过MEEMD对原始信号进行分解，获得有限数量的固有模态函数和残差，并将其方差作为概率神经网络（PNN）的输入，从而实现故障识别。针对复杂旋转机械振动信号在变工况下具有非平稳、多分量、等间隔频率和成比例等特性，Zhi等（Zhi等, 2026）提出了一种局部熵选择性标度提取Chirplet变换（LESSECT），该方法优化了基于熵的啁啾率选择，以匹配非成比例基频。

综上所述，上述研究本质上聚焦于对单传感器采集的振动信号特征进行深度挖掘，以提高故障诊断精度。然而，这些研究均未充分考虑一个实际情况，即仅使用单一传感器的信息源作为故障诊断依据，其可靠性和容错能力相对较低。

为解决上述问题，可以通过多传感器信息融合技术提高螺杆泵故障诊断的可靠性。多传感器信息融合技术是近年来随大数据技术持续发展而兴起的一项重要应用技术，许多研究人员围绕该技术开展了大量研究工作。例如，Peng等（2022）提出了一种三阶段故障预测方法，其中多传感器信号经CNN和长短期记忆网络（LSTM）处理，并使用注意力双向Bi-LSTM网络作为回归模型来预测未来趋势，实现了对退化阶段和故障类型的同步识别。Li等（2016）利用声传感器和加速度传感器进行诊断，将测量的声信号和振动信号通过随机森林模型和玻尔兹曼机处理，提高了故障诊断能力。Choudhary等（2023）采用多输入卷积神经网络（MI-CNN）技术融合电机振动信号和声信号的特征，并将其应用于不同工况下感应电机的故障诊断。为有效降低机械故障诊断中的环境噪声干扰，Yan等（2023）提出了一种基于自适应多变量特征模态分解和多注意力融合残差卷积神经网络的的多传感器故障诊断方法。然而，该方法存在两个显著局限性：（1）不构成端到端诊断网络模型；（2）需要人工调参鲸鱼优化算法，在实际应用中往往难以实现。Li等（2025）将八个传感器采集的振动信号作为图结构中的节点信息，基于节点数据的时频特征，通过K近邻（KNN）算法建立拓扑连接，构建多视角图表示。然而，该方法存在固有的局限性，特别是其依赖基于KNN的图构建方式，缺乏在运行过程中自动丢弃或适应故障节点的能力。

为全面捕获多传感器之间的空间与时空相关性，Wang等（2025）提出了一种先进的图构建框架，同时考虑：（1）同一时间步内传感器之间的连接，和（2）不同时间步之间的跨时间关系。此外，他们创新性地引入了一种衰减矩阵机制，以动态调整传感器节点之间的连接强度。Zhang等（2023）开发了一种基于CNN的框架，直接从未处理三传感器数据中提取深度特征以生成初步诊断。每个传感器的诊断输出被作为证据体，通过证据推理（ER）规则进行决策级融合。然而，该方法面临一个关键挑战，即确定ER框架中适当的可靠性和重要性因子，这些因子对于最优融合性能至关重要。

图神经网络（GNNs）（Chen等, 2020）是一种专为建模图数据而设计的新型神经网络。受CNN在深度学习领域成功的启发，其概念和原理被推广到复杂的图结构上，从而产生了图卷积网络（GCNs）（Zhao等, 2021）。由于其能够捕获数据之间的依赖关系或多传感器产生的多样化物理测量之间的关联，GCN已被越来越多地应用于预测与健康管理（PHM）领域。图结构的一个主要优势在于能够局部化节点故障的影响。由于图卷积等操作局限于局部邻域，故障传感器（节点）的不利影响可以通过重新加权其相邻边来减轻，从而隔离故障，避免系统级传播。

目前，基于多传感器信息融合的故障诊断研究尚未充分解决来自不同空间位置的传感器特征之间的内在关联。在这种情况下，模型在多传感器信息融合过程中缓解部分传感器故障负面影响的能力仍有待深入探索。此外，对于各位置传感器在故障检测中展现的跨特征和互补特性，也尚未进行系统全面的分析。

为应对这些挑战并利用GCN的优势，我们提出了一种基于CNN-Transformer与图卷积网络（GCN）复合损失融合的新型故障诊断方法。本文所提方法的动机如图1所示。该方法的方法论框架如下：首先，根据传感器的空间布局构建邻接矩阵，将每个传感器的信息作为节点特征来建立图结构。随后，采用并行四通道CNN-Transformer架构，分别从四个空间分布的传感器中提取判别性特征，以构建图的节点表示；同时，第五个分支直接处理所有传感器的原始信号，以学习全局时序相关性和同步故障模式。这些节点特征经过降维和初步决策，生成四个传感器特定的标签损失。

在此基础之上，我们设计了一种动态邻接矩阵学习机制来更新图结构中的边权重。这些自适应权重能够有效捕捉传感器之间的内在相关性，并通过基于sigmoid的决策函数实现对故障节点的自动识别。最终，GCN基于更新后的边权重进行特征融合，生成集成表示，该表示再与第五个分支的输出特征进行拼接。拼接后的结果经过最终决策层处理，生成融合特征并计算标签损失。采用个体传感器损失与融合特征损失相结合的复合损失函数来优化整个模型。本工作的主要贡献可归纳如下：（1）基于监测螺杆泵工况的传感器空间配置构建图邻接矩阵，有效捕捉测量点之间的物理关系。（2）为显式表征单个传感器数据对模型决策的贡献，我们采用并行四通道CNN-Transformer架构。该框架同时从四个空间分布的传感器中提取判别性深度特征，每个通道包含独立的损失函数以优化对应传感器的特征表示。（3）为减轻部分传感器失效对多传感器信息融合的不利影响，设计了动态邻接矩阵学习机制以更新图结构的边权重，从而将故障节点从图结构中分离出来，避免GCN融合故障节点的特征。（4）采用复合损失融合训练策略，进一步降低传感器失效的影响，增强融合特征的类内紧凑性和类间可分性。分节摘要基础知识本节将简要介绍Vaswani等人于2017年提出的原始Transformer（Chen等人，2020）以及LeCun等人最初提出的CNN（Zhao等人，2021）。本文还将概述Transformer和CNN在故障诊断领域的应用。所提方法本节详细阐述了一种将CNN-Transformer与GCN相结合的、基于多传感器信息融合与复合损失的船用螺杆泵故障诊断框架。内容组织如下：首先，指定螺杆泵的传感器布置方案，并基于传感器的空间配置构建图结构。随后，描述四通道传感器数据的预处理流程，接着进行详细阐述实验为验证和分析本文所提方法的有效性，我们采用了两个数据集进行验证。这两个数据集包括在机舱环境中采集的船用螺杆泵数据集以及在实验环境中获取的电机数据集。本论文实验的软件环境为PyCharm中的PyTorch框架，硬件环境包括Intel(R) Core(TM) i7-12700H CPU和NVIDIA 3060 GPU。程序运行结论本文提出了一种基于CNN-Transformer与GCN结合的多传感器信息复合损失融合的船用螺杆泵故障诊断方法。基于实验结果，可得出以下结论：（1）通过CNN-Transformer网络模型可以提取传感器信息的深度特征。（2）采用复合损失融合训练策略可以有效提高所提方法的类间分类能力，同时进一步增强CRediT作者贡献声明Yi Zhou：撰写——初稿，软件，方法论，概念构思。Lieyi Dong：撰写——审阅与编辑，资源。Zhijun Shuai：撰写——审阅与编辑，验证，资金获取。利益冲突声明作者声明不存在已知的竞争经济利益或个人关系可能影响本文所述工作。Yi Zhou|Lieyi Dong|Zhijun Shuai哈尔滨工程大学能源动力工程学院，哈尔滨，150001，中国