一种面向多传感器鲁棒故障诊断的物理信息驱动马氏信息学框架，具备特征级不确定性感知能力

《ADVANCED ENGINEERING INFORMATICS》：A Physics-Informed Mahalanobis Informatics Framework for multi-sensor robust fault diagnosis with feature-level uncertainty awareness

　　

•物理信息驱动的感知不确定性使故障诊断具有鲁棒性。•Morlet连续小波变换与分组卷积隔离具有物理意义的子带。•马氏-保形校准量化融合前特征可靠性。•保形可靠性加权缓解噪声扩散和传感器失效效应。•实验表明在传感器丢失和严重噪声干扰条件下鲁棒性提升。

引言随着工业物联网(IIoT)和智能制造的快速发展，利用多传感器数据(如振动、电流、声学)进行旋转机械的故障诊断已成为行业标准[1]。与单传感器相比，多传感器融合理论上提供了更全面的系统状态视图，从而提高了诊断的准确性和可靠性[2]，[3]。然而，这种多源互补优势是建立在理想假设之上的：大多数传感器在运行期间保持完好和可靠。在实际工业应用场景中，这一假设很容易被违背。恶劣的工作条件、电磁干扰或松动的电缆经常导致传感器信号出现不同程度的污染，甚至出现多传感器同时失效的共模故障[4]。在这些非理想工作条件下，现有的数据驱动融合模型面临严峻的鲁棒性挑战。传统的特征级融合策略缺乏对工程输入数据质量进行判别的能力，导致局部高能量噪声无差别地污染整个信息表示空间，从而产生误差扩散效应[5]。尽管最近引入的注意力机制试图通过动态加权来缓解这一问题[6]，[7]，但其本质是基于数据相关性的软加权。当某些传感器受到强脉冲噪声干扰时，注意力机制往往会被异常的高幅值信号误导，错误地为噪声通道分配极高的权重，这可能导致系统做出高置信度但不可靠的诊断决策[8]。此外，一些基于集成学习的方法试图使用"多数决"逻辑来处理传感器之间的冲突[9]；然而，当面对共模故障时，这些方法往往收敛到错误的共识，无法有效识别出系统已陷入盲区。这些现象表明，在缺乏底层物理可信度约束的情况下，纯"黑盒"数据驱动融合在噪声多传感器环境中不仅无法自愈，还可能输出不可靠的伪知识，误导工业决策[10]。

为了构建可信赖的工业诊断系统，工程信息学领域最近开始高度关注不确定性感知和不确定性量化(UQ)在可靠决策中的核心作用[11]，[12]，[13]。然而，现有的UQ方法在多传感器融合任务中存在明显的局限性。主流的随机方法(如MC-Dropout[14])和确定性方法(如证据深度学习EDL[15])主要在条件评估流水线的终端决策层运行。这种"重决策、轻特征"的范式存在严重的操作滞后性：一旦源工程数据被严重污染且特征混淆，终端的分类器只能面对"垃圾进、垃圾出"的信息困境，无法追溯并消除导致不确定性的底层物理根源[16]。特别是在大多数传感器同时失效的极端工作条件下，由于缺乏底层的信号质量验证和误差隔离机制，这些方法往往无法有效隔离噪声，导致决策性能急剧下降。

为了从根本上解决多传感器融合的脆弱性，有必要将不确定性感知推进到表示层，并引入物理先验作为绝对参考系。旋转机械的振动信号在频域具有明确的运动学含义，物理测量误差通常不会均匀覆盖所有频带或传感器[17]。如果计算模型能够像领域工程师一样——在融合之前根据统计规律识别哪些频带或传感器是异常值并主动阻止其传播——就能实现真正鲁棒的工业信息调和。值得注意的是，实证研究表明，在未建模的异常检测任务中，几何感知度量网络比贝叶斯方法具有更敏锐的不确定性感知能力，这是通过捕获特征流形的分布规律实现的[18]。具体而言，通过多个故障诊断数据集的实证测试，我们发现马氏距离(MD)展现出最优的异常识别性能(见附录A)。对其底层机制的深入分析将此归因于受物理约束的工业故障信号与传统高维数据在深层流形拓扑上的本质差异(如图1所示)。由于旋转机械受确定性物理机制约束，其故障特征在大多数维度上发生显著退化，呈现出高度各向异性的流形拓扑结构。基于逆协方差矩阵的马氏距离天然契合这一几何特征：由于特征聚类在次维度的方差极小，一旦受污染的工程数据违反物理定律并在这些维度上产生微小偏差，逆协方差的缩放效应就会触发数量级的距离惩罚效应。这种对流形偏移的高度敏感性构成了本文选择马氏距离作为底层数据可信度几何度量的核心物理与信息学动因。

基于这些观察，我们提出了一种面向可靠工业决策的物理信息马氏信息学框架(P-MIF)。图2展示了P-MIF与传统融合策略的本质区别：传统方法(图2a)允许局部误差在计算流水线内无差别地扩散；而P-MIF(图2b)实现了一个自愈过程，通过物理隔离和几何不确定性评估将不可靠数据转化为可信赖知识。本文的主要贡献如下：

•工程数据的物理隔离与解耦：提出了一种基于分组卷积的信息学预处理框架。传感器信号通过Morlet连续小波变换滤波器组解耦为物理子带，并设计了独立的特征提取流水线，从结构上阻断多信号之间的噪声交叉污染和扩散。•几何校准的特征级可靠性建模：我们引入了一种面向特征融合的几何可靠性建模机制。马氏距离刻画传感器-子带数据流相对于干净类条件几何的偏离程度，而分保形校准将其转化为可比较的可靠性评分。这些评分抑制退化数据流同时保留健康数据流，从而在局部腐蚀条件下实现鲁棒且可解释的诊断。•面向可靠决策的全局拒绝机制：聚合保形p值用于构建全局置信度评分(GCS)，标记具有广泛退化多传感器证据的输入，并为下游干预提供辅助拒绝信号。与局部可靠性加权相结合，形成从腐蚀数据流抑制到全局低置信度拒绝的分层决策过程。

本文后续各节的组织结构如下：第2节概述多传感器故障诊断和UQ方法的相关工作。在此基础上，第3节详细阐述P-MIF方法，重点关注物理信号解耦、分组卷积架构以及基于类内紧凑度的不确定性加权机制。第4节描述实验数据集和详细设置。第5节通过多维对比实验和可视化分析验证了所提方法在强噪声和传感器失效场景下的鲁棒性。最后，第6节总结全文并展望未来方向。

相关工作

工程信息学中的多传感器数据融合在现代工程信息学中，利用卷积神经网络和Transformer的数据驱动框架推动了工业状态监控和故障诊断的范式转变[19]，[20]，[21]。为了捕获复杂资产生命周期的全面状态空间视图，先进的多传感器信息融合已成为调和异构数据流的关键基础设施[1]，[2]。最近的信息学

所提框架概述

为了解决开放工业环境中多传感器信号高度不确定质量导致的鲁棒性缺失问题，本文提出了一种面向可靠故障诊断的物理信息马氏信息学框架(P-MIF)。该框架的核心设计遵循"分而治之，评估后信任"的原则，旨在突破传统黑盒数据驱动融合的局限，将信息调和过程转化为

数据集与场景

为全面评估P-MIF的有效性和决策可靠性，我们采用了三个具有互补特征的旋转机械数据集：帕德伯恩大学轴承数据集[40]、齿轮偏心数据集[46]和MCC5-THU电机数据集[47]。这些数据集在所选传感器数量、模态构成和运行特征方面存在显著差异。在统一的样本构建和数据划分协议下，研究包括局部

混合噪声和信号丢失场景下的鲁棒性评估

为评估局部传感器腐蚀条件下的决策鲁棒性，应用了从-10到40 dB的高斯噪声。图6、图7保留了与单个信噪比水平和腐蚀传感器配置相关的条件级准确率变化，以及P-MIF与最强基线之间的逐点差异。图8将此评估扩展到六通道MCC5系统中的一个到四个通道的均衡腐蚀。图9进一步比较了准确率、

结论

针对工业多传感器状态监控中污染扩散和共模故障的严峻挑战，本研究提出了一种物理信息马氏信息学框架(P-MIF)。超越不可解释的"黑盒"数据驱动模型，本研究建立了一种基于几何流形约束的透明工程信息学范式，将高度不确定的原始数据转化为可信赖、可计算的诊断知识。

广泛的评估

CRediT作者贡献声明

张天宇：概念化、方法论、软件、调查、初稿撰写。孙浩：方法论。柴平平：验证。王道磊：项目管理。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知的竞争性经济利益或个人关系。

张天宇|孙浩|柴平平|王道磊