融合数字孪生与改进Wasserstein辅助分类器生成对抗网络的实时柴油机复合故障诊断技术

《Engineering Applications of Artificial Intelligence》：A real-time diesel engine compound fault diagnosis technology integrating digital twin and an improved wasserstein auxiliary classifier generative adversarial network

　　

## 摘要

露天矿柴油发动机在长时间恶劣环境和功率工况下运行，导致频繁出现复合故障，且实时准确诊断面临挑战。为克服复杂的故障特征耦合、振动信号信噪比低以及故障样本稀缺等问题，本文提出一种基于数字孪生与基于人工智能的改进Wasserstein辅助分类器生成对抗网络（WACGAN）的实时复合故障诊断方法。构建高保真柴油发动机数字孪生模型以生成物理约束的仿真数据。将扩散模型引入生成对抗网络，实现仿真数据的域适应，从而实现有效的故障样本增强。基于增强数据，采用带有双注意力机制的残差神经网络（ResNet）构建预训练诊断模型，用于深度故障特征提取。该方法部署于实际柴油发动机上，建立实时诊断与决策的闭环系统。实验在WP10.290E32六缸矿用柴油发动机试验台上进行，涵盖一种正常状态、三种单故障状态和三种复合故障状态，并通过少量真实振动信号进行验证。结果表明，该方法诊断准确率达到90.45%。与包括仅使用仿真数据、仅使用真实数据、增强仿真数据、融合数据以及无注意力ResNet等五种基线方法相比，该方法准确率分别提高了19.23%、8.86%、6.36%、5.2%和2.87%。这些结果验证了该方法的有效性，并通过人工智能技术为柴油发动机实时复合故障诊断和可视化反馈提供了基础。

## 引言

露天矿柴油发动机在长时间恶劣条件下运行，包括重载和高速工况，经常导致多种内部损伤同时发生的复合故障。由此产生的振动信号呈现出复杂特征，如多源耦合、信噪比低以及微弱特征被掩盖，使传统诊断方法难以实现准确的特征提取和故障识别（Azam等，2024；Bi等，2020）。尽管数据驱动的深度学习方法在柴油发动机状态监测方面显示出潜力，但实际应用中有大量故障样本稀缺严重限制了其泛化能力（Zio，2022）。因此，有效地将物理机制与数据驱动方法相结合，在小样本条件下实现准确可靠的复合故障诊断仍是一个关键挑战（Cui等，2024）。

为解决数据稀缺问题，现有研究主要采用元学习、迁移学习和生成模型，如生成对抗网络（GAN）和变分自编码器（VAE）。例如，Cui等（Zio，2022）将GAN与迁移学习结合用于柴油发动机复合故障诊断，而Xu等（2019）利用数字孪生辅助深度迁移学习完成相同任务。Yang等（2023）提出了一种数字孪生驱动的复合故障诊断方法，Deebak等（Deebak和Al-Turjman，2022）将数字孪生辅助深度迁移学习应用于刀具状态监测，Chen等（2025）提出了一种结合主成分分析（PCA）与失效机制建模的故障样本生成方法。然而，元学习和迁移学习高度依赖域间相似性，在大域偏移情况下容易发生负迁移（Cai等，2023；Fang等，2025）。纯数据驱动的生成方法面临训练不稳定和模式崩溃问题；缺乏物理约束，往往生成与真实故障数据存在显著域间差距的数据。在相关研究中，数字孪生的作用大多仅限于仿真支持或迁移学习辅助，而非具有物理约束的虚拟到真实数据生成。因此，本文提出一种混合方法，将数字孪生与改进的Wasserstein辅助分类器生成对抗网络扩散模型（WACGAN-diffusion）相结合，实现虚拟到真实的数据增强。基于物理的孪生模型生成的高保真仿真数据作为物理约束，引导稳定的生成、域适应和分布对齐，产生符合物理规律并与真实数据分布一致的增强数据集。

在复合故障诊断领域，研究已从传统机器学习转向深度学习。Wang等（2021）提出了一种随机卷积神经网络用于柴油发动机健康监测，Jin等（2021）开发了一种解耦注意力残差网络与主动学习相结合的轴承复合故障诊断方法。为解决复合故障标签缺失问题，Xu等（2023）引入了一种生成标签信息向量的零样本诊断模型。Zisheng等（2023）和Chen等（2023）构建了多源信息融合框架用于多标签复合故障识别，Liang等（2019）提出了一种集成小波变换与多标签卷积神经网络（CNN）的齿轮箱复合故障诊断模型。尽管注意力机制提高了模型关注关键信息的能力（Jin等，2021），但大多数现有方法仅使用通道注意力或空间注意力，这限制了其同时捕获通道依赖关系和关键时序特征的能力，阻碍了对复杂耦合模式和微弱故障特征的提取。为解决这一问题，本文提出一种嵌入双注意力机制的残差神经网络（ResNet）。通过协同作用通道注意力和空间注意力，模型自适应地关注与故障相关的频带和时域段，提高了对耦合弱特征的解耦和提取能力。

在数字孪生技术方面，现有研究大多关注设备的三维可视化监控（Lim等，2020；Miao等，2024）或将诊断结果映射到虚拟模型（Wang等，2019；Kritzinger等，2018）。这种松散耦合的范式将诊断、孪生建模和数据生成相互分离，未能形成感知、诊断、决策和反馈的闭环（Liu等，2018）。Liu等（2026）提出了一种数字孪生驱动的深度强化学习方法，用于分布式储能集群的协调调度和状态预测。通过将在线识别的内部电阻、模型偏差和健康状态信息引入调度状态空间，他们的方法建立了闭环的"感知–决策–执行–反馈"架构，同时提高了调度效率和状态预测准确率。尽管数字孪生已被应用于柴油发动机故障诊断（Bo等，2024）和旋转机械诊断（Fan等，2025），但其作为物理信息源用于诊断模型增强的潜力及其在闭环运行决策中的作用仍未得到充分利用（Yang等，2024；Renganathan等，2020）。数字孪生和深度学习优化的最新进展进一步扩大了应用边界（Zhao等，2026；Faizanbasha等，2026；Faizanbasha和Rizwan，2025），但其应用于矿用柴油发动机小样本复合故障诊断和虚拟到真实数据增强仍然鲜有研究，将数据生成、故障诊断、三维定位、维护建议和反馈优化整合为统一闭环框架的研究更是少见。

为进一步阐明本工作的创新点，我们从核心技术维度系统地比较了所提框架与六类典型故障诊断方法的差异，比较结果汇总于表1中。符号"△"表示在相应维度上的部分支持，例如简化的物理建模而不具备完整的机制约束，或虚拟-真实分布对齐不充分。如表1所示，大多数现有研究将数字孪生限制在状态可视化和简单仿真，或采用单一GAN进行数据增强而缺乏足够的物理约束；此外，其诊断模型通常仅在离线环境中验证，很少部署用于实时闭环运行和维护。相比之下，本工作构建了具有几何-性能耦合的高保真数字孪生模型作为具有物理约束的数据生成载体，提出WACGAN-diffusion混合增强策略以提高小样本复合故障数据的质量，并建立了集成感知、在线诊断、决策和反馈的全闭环系统。这些设计构成了本工作独特的方法论贡献，填补了小样本工业故障诊断场景的研究空白。

因此，本文构建了一个基于数字孪生的实时闭环诊断与决策支持系统。该系统实现了在线故障检测、精确的三维定位和可视化报警，并生成维护建议，形成了集感知、诊断、决策和反馈于一体的集成化运行维护工作流。

本研究的主要贡献如下。

（1）开发了一种集成几何和性能特征的高保真数字孪生。基于物理机制和运动学约束，建立了一种统一柴油发动机几何、运动和性能的动态孪生模型。该模型实现了物理实体与其虚拟对应体之间多维信息的实时同步，为故障诊断提供了可视化基础。

（2）提出了一种用于虚拟到真实数据生成和增强特征提取的协同诊断框架。该框架将WACGAN-diffusion模型与数字孪生技术相结合，实现了仿真数据向真实域的迁移和增强。同时设计了一种嵌入双注意力机制的残差神经网络（ResNet）以增强特征提取。通过通道注意力和空间注意力的协同作用，模型提高了对复合故障弱特征的关注和解耦能力，从而在小样本条件下增强了泛化能力和诊断准确率。

（3）实现了基于数字孪生驱动的实时诊断与决策支持闭环系统。该系统实现了在线故障检测、精确的三维定位和可视化报警通知，同时生成维护建议。这一能力促成了一个集感知、诊断、决策和反馈于一体的集成化运行维护工作流。

本文其余部分的组织如下。第2节介绍高保真交互数字孪生。第3节详细阐述了所提方法，包括基于数字孪生的数据融合与增强策略以及双注意力故障诊断模型。第4节展示了实验结果，包括通过案例研究对所提方法的验证、与其他方法的比较分析以及数字孪生闭环系统的演示。最后，第5节对论文进行总结并讨论未来工作。

## 各节摘要

### 集成几何与性能的数字孪生模型

作为物理实体的数字化表示，柴油发动机的数字孪生模型是实现实时状态映射的载体，也是实施智能运行维护系统的关键平台。为解决复杂的机电耦合特性，构建了基于"几何–性能"耦合方法的数字孪生模型，如图1所示。该方法旨在实现多维信息的统一数字化表示……

### 基于虚拟-物理数据融合与双注意力残差网络的故障诊断方法

复合故障诊断架构的框架集成了四个主要组成部分：物理实体、数字孪生模型、故障诊断工作流以及所产生的诊断数据，如图4所示。包括双注意力残差网络（DA-ResNet）模型、基于仿真的数据生成过程以及用于数据增强和域迁移的WACGAN-diffusion模型等关键技术在本节中进行了演示。

### 实验验证

通过一系列对比实验对所提出的柴油发动机复合故障诊断方法的综合性能评估进行了展示，以验证其诊断优势，特别是在样本量有限的条件下以及包含单故障和复合故障的混合故障场景中。实验设置部分详细介绍了矿用柴油发动机的技术规格、振动信号采集平台以及仿真故障类型……

### 结论

提出了一种柴油发动机复合故障诊断框架，以解决小样本条件下准确故障识别的固有挑战。所提方法协同整合了数字孪生技术、改进的WACGAN-diffusion模型和双注意力残差网络，形成了覆盖物理仿真、数据增强、域适应和高精度故障分类的协同架构。该方法显著增强了特征……

## CRediT作者贡献声明

刘文杰：写作——审阅与编辑、方法论、数据整理、概念构思。

赵新：监督、资源、调查、形式分析。

何林雁：写作——初稿撰写、可视化、数据整理。

万家付：可视化、形式分析。

赵阳宇：形式分析、数据整理。

## 利益冲突声明

作者声明不存在利益冲突。

## 致谢

本研究得到了中国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与实践创新项目（项目编号：25SJCX18）的资助。

刘文杰 | 赵新 | 何林雁 | 万家付 | 赵阳宇

山西大同大学，煤炭工程学院，大同，037003，中国