基于注意力增强深度残差收缩网络与自适应边界感知硬特征增强的AUV故障诊断方法

《Journal of Marine Science and Engineering》：AE-DRSN-ABHFA-Based Method for AUV Fault Diagnosis

　　

可靠的水下自主航行器（Autonomous Underwater Vehicle, AUV）故障诊断仍然具有挑战性，因为故障敏感模式会被测量噪声掩盖，且若干故障类别可能表现出相似响应和模糊决策边界。为解决这些问题，研究人员提出注意力增强深度残差收缩网络结合自适应边界感知硬特征增强（Attention-Enhanced Deep Residual Shrinkage Network with Adaptive Boundary-Aware Hard Feature Augmentation, AE-DRSN-ABHFA）。首先，将通道注意力与时间注意力集成到深度残差收缩网络（Deep Residual Shrinkage Network, DRSN）中，联合抑制噪声相关响应并增强传感器与时间维度上的故障敏感信息。其次，所提自适应边界感知硬特征增强（Adaptive Boundary-Aware Hard Feature Augmentation, ABHFA）机制利用类原型（class prototypes）与边界感知分数识别模糊边界样本，并利用类级难度反馈确定增强时的类处理顺序，在训练中加入方向性伪特征以丰富困难决策边界附近的特征分布。进一步采用包含伪特征分类与批量难三元组（batch-hard triplet）约束的联合目标，以改善类内紧致性与类间可分离性。主要对比、噪声鲁棒性和核心消融实验均使用五个独立随机种子重复。在当前实验设置下，AE-DRSN-ABHFA 的干净条件平均准确率（Accuracy）为 95.27 ± 1.17%，宏F1（Macro-F1）为 0.9498 ± 0.0128；四种噪声条件下平均 Accuracy 为 85.37 ± 2.76%，平均 Macro-F1 为 0.8253 ± 0.0317，平均最差类 Accuracy 为 75.39 ± 5.98%，表明该方法在评估噪声工况下具有较优的整体与类级诊断性能，但仍需在更多 AUV 平台与真实海试数据上验证。

论文解读：《Journal of Marine Science and Engineering》发表的基于 AE-DRSN-ABHFA 的 AUV 故障诊断研究

研究背景方面，AUV（Autonomous Underwater Vehicle，自主水下航行器）在深海资源勘探、环境监测与水下工程中不可或缺。其运行环境具有高压力、强噪声、低能见度特征，关键部件易性能退化与失效。早期浅层数据驱动方法已证明可行性，深度学习推动故障诊断从浅层模式识别转向深度特征学习；但仅增加网络深度与卷积尺度，无法充分解决噪声下特征提取不足、易混淆类别识别不稳定、复杂类边界判别弱等问题。现有注意力与融合方法多关注多源信息融合或全局加权，在强噪声下易被随机扰动误导；传统 DRSN（Deep Residual Shrinkage Network，深度残差收缩网络）可软阈值抑噪，但收缩后特征仍含冗余通道响应，关键故障段可能在全局聚合中被削弱。此外，轻度与重度螺旋桨损伤、正常与早期退化等类别响应相似，类边界重叠、边界样本误分、少数难类性能下降，本质不仅是样本数量不平衡，而是类学习难度不均与特征边界模糊。因此，研究人员开展本研究，以提升噪声环境下 AUV 多类故障诊断的鲁棒性与类级稳定性。

主要关键技术方法上，研究人员使用公开“HaiZhe”小型四旋翼 AUV 数据集，样本为每个试验的完整多元时间序列，长度 296、16 个传感器通道，共 980 个试验级样本，覆盖正常、加权重故障、深度传感器故障、轻度与重度螺旋桨损伤五类；按 70%、15%、15% 分层划分为训练、验证、测试集，归一化统计量仅来自训练集，无重叠滑窗增样。方法层面包括：宽卷积预处理；AE-RSBU（Attention-Enhanced Residual Shrinkage Building Unit，注意力增强残差收缩单元）中嵌入自适应软阈值收缩、通道注意力（Channel Attention，CA）与时间注意力（Temporal Attention，TA）；ABHFA（Adaptive Boundary-Aware Hard Feature Augmentation，自适应边界感知硬特征增强）利用类原型、边界感知分数、类难度动量反馈确定类处理顺序与边界候选，生成方向性伪特征；联合目标含伪特征交叉熵与批量难三元组（batch-hard triplet）损失；训练 50 轮预热后激活 ABHFA，验证集只用于检查点与超参选择，测试阶段不生成伪特征。

研究结果如下。

1. 2.
   AE-DRSN-ABHFA 故障诊断方法：研究人员构建宽卷积预处理、分层多尺度 AE-RSBU 与分类头三级架构。AE-RSBU 按“特征映射—阈值收缩—注意力增强—残差融合”提取局部扰动、中尺度波形与长时动态特征；通道注意力增强故障相关传感器变量，时间注意力突出局部突变与弱退化段，残差连接保留浅层有效响应。结论是该单元在噪声抑制与故障敏感特征增强间取得协同。

2.1 鲁棒特征提取机制：通过全局平均池与生硬门控映射得到逐通道自适应阈值，软阈值收缩抑制随机噪声；再用 CA 与 TA 构造联合掩码增强特征，并与快捷分支融合。结论是 AE-DRSN 比传统 DRSN 更能突出故障敏感通道与关键时段。

2.2 边界感知硬特征增强机制：类原型刻画类中心；边界感知分数联合真值类 Softmax 概率与到本类原型距离归一化偏差；训练子集确定性前向得类准确率，转瞬时难度，再以动量 0.85 平滑为类难度；按难度降序处理类，类内按边界分数选候选，沿同类邻居方向与竞争类原型排斥方向生成伪特征，并加小高斯扰动；仅当伪特征仍更靠近本类原型时保留。联合损失为原始交叉熵、伪特征分类损失（权 0.15）与 batch-hard triplet 损失（权 0.05，间隔 0.30）。结论是 ABHFA 可定向增强难类边界样本。

2.3 诊断分类决策：三层 AE-RSBU 输出经全局平均池化为全局向量，全连接与 Dropout 后由 Softmax 输出五类后验概率，取最大概率为故障状态。结论是端到端从原始多传感器序列到故障类别。

2.4 模型训练与部署流程：分层采样、训练集统计归一化、AE-DRSN 提特征、ABHFA 用难度顺序生成伪特征、每轮结束用完整训练子集更新难度、验证集不参与难度估计、测试集仅最终评估；部署时不生成伪特征，无额外在线负担。结论是流程可端到端诊断且适合后续轻量化载具部署验证。

1. 3.
   实验设计：基于 HaiZhe 数据集五类样本，五种子重复；对比 DCK-CAM-TCN、DRSN、WDCNN-BiLSTM、Transformer、Informer、PatchTST。3.1 数据描述结论是样本级划分避免重叠窗数据泄漏，类分布一致。3.2 对比模型分析显示 AE-DRSN-ABHFA 干净条件 Accuracy 95.27 ± 1.17%、Macro-F1 0.9498 ± 0.0128、最差类 Accuracy 87.89 ± 5.94%；参数量 143407、模型 0.551 MB、Batch=1 推理 2.711 ms，ABHFA 不增加推理负担。结论是该模型在精度、类平衡与轻量性上较优。3.3 噪声条件性能分析设 20 dB 高斯、10 dB 高斯、20 dB 脉冲、20 dB 高斯-正弦混合；四种噪声平均 Accuracy 85.37 ± 2.76%、平均 Macro-F1 0.8253 ± 0.0317、平均最差类 Accuracy 75.39 ± 5.98%；10 dB 高斯下仍最高 70.69 ± 6.44%。结论是 AE-DRSN-ABHFA 在评估噪声下整体与难类识别优于对比架构。3.4 消融与机制分析：主消融中 CA、TA 主要提升类级平衡；DRSN+ABHFA 整体精度略降但难类提升；完整模型最优。内部消融中原型引导单独未必增效，边界分数、难度排序、三元组约束互补；与 Focal Loss、硬负挖掘、SMOTE 比，ABHFA 在强噪声与最差类识别上更优。宽卷积预处理被点投影替代后各项指标下降。结论是各模块非简单相加，而是互补形成边界感知增强。

讨论与结论部分总结：研究人员指出该方法在公开实验室 AUV 数据上取得较优整体精度、Macro-F1 与最差类识别，且推理轻量；但实验仍为有限样本与特定数据集，类难度反馈来自训练子集，验证集仅作选择，测试不增伪特征。方法意义在于将自适应软阈值去噪、通道—时间注意力与类原型/边界/难度引导的伪特征增强统一，为噪声鲁棒多类 AUV 故障诊断提供新框架。

结论原文翻译：在深海环境中，AUV 承担海洋资源勘探、环境监测和水下工程任务，是现代海洋探索与工程应用中的 indispensable 装备（此处按原文语义压缩为：不可或缺装备）。AUV 故障诊断需同时应对测量噪声、类别响应相似与边界模糊。研究人员提出 AE-DRSN-ABHFA：AE-DRSN 通过通道与时间注意力增强 DRSN 的噪声鲁棒特征提取；ABHFA 通过类原型、边界感知分数、类难度反馈与方向性伪特征增强难类边界区域；分阶段动态训练以伪特征分类与 batch-hard triplet 约束优化类内紧致性与类间可分离性，且不增加测试负担。在 HaiZhe 数据集上，五种子实验表明该方法在干净与四类噪声条件下均取得较优平均 Accuracy、Macro-F1 与最差类 Accuracy。结果表明所提框架对噪声鲁棒多类 AUV 故障诊断具有潜力，但不同 AUV 平台与真实海试数据上的进一步验证仍必要。