用于可解释机械故障诊断的跨部件因果耦合建模与多阶谱表示

《Engineering Applications of Artificial Intelligence》：Cross-component causal coupling modeling and multi-order spectral representation for interpretable mechanical fault diagnosis

　　

摘要

在可变工况下，复杂机械系统中不同类型的故障表现出不同的跨部件因果耦合模式，导致监测信号波动和特征表示不稳定。针对这些问题，本研究提出了一种新颖的机械故障诊断方法，称为因果耦合建模与多阶谱表示对齐。首先，使用神经格兰杰机制量化通道间的因果强度，同时结合类别级先验和样本级动态信息，构建可解释的跨部件动态因果图。其次，开发多阶谱注意力表示模块，实现原始时域信号的图与特征联合映射以及多尺度特征的自适应融合，从而增强可变工况下故障相关特征的表示。最后，引入主-辅视图协同对齐策略，促进跨视图信息互补和图级表示一致性，从而缓解工况变化引起的特征偏移。实验结果表明，所提方法能有效捕捉跨部件因果耦合模式，提高故障可判别性，并在评估的变工况场景下实现更优的诊断性能，具有更好的稳定性和可解释性。

引言

复杂机械系统通常在不同工作条件下长时间运行，包括变速和波动负载等。因此，关键部件的健康状态与设备运行的可靠性和安全性密切相关(Ruo-Bin等人，2026；Zhang等人，2026)。随着状态监测技术的发展，已在不同功能部件部署了多种传感器以获取多源监测数据，如振动和电流信号。与单传感器观测相比，多源测量能够捕捉不同部件和物理量的互补动态响应，使故障引起的变化能够从多个位置进行表征，并促进跨部件交互和故障传播模式的识别(Jiangtao等人，2026；Meléndez-Useros等人，2026)。因此，有效利用多源监测数据中包含的互补和关系信息对于复杂机械系统的故障诊断变得越来越重要。

多源监测数据在故障诊断中的应用已取得实质性进展，特别是在数据融合策略和诊断模型设计方面(Zhixuan等人，2025；Liu等人，2025a；Yue等人，2026a)。Ye等人(2025)研究了复合故障条件下剩余使用寿命预测中多源监测信息的联合建模方法。Wang等人(2025)通过联合建模传感器特征融合和域自适应，提出了多传感器和多域场景下机械系统的故障诊断方法。Ma等人(Liang等人，2025)开发了一个多源异构数据融合框架，结合多通道时间序列和图像数据，用于复杂工况下的故障诊断。Li等人(Mengdi等人，2026)提出了基于多源传感器的故障诊断框架，通过并行特征提取和注意力机制集成振动和声学信号。Yu等人(Yue等人，2026b)通过集成异构传感器信息和特征交互机制，开发了机械系统多通道监测的故障诊断方法。

上述大多数方法在欧几里得空间中独立建模样本，难以充分利用多源观测之间的潜在结构关系。图神经网络(GNN)为建模此类非欧几里得依赖关系提供了有效框架，因此已在多源故障诊断中引起越来越多关注(Liu等人，2024；Shao等人，2025；Sun和Yin，2025)。Zhang等人(2023)开发了一个具有动态特征融合和周期性边更新的多传感器多头图注意力网络，尽管其图更新仍依赖于预定义的距离度量和邻域规则。Gao等人(2025)引入了图同构小波卷积网络以增强小样本条件下的全局和局部结构表示，但相同健康状态内的图样本共享共同的全局拓扑，限制了样本特定的结构自适应。Xu等人(Yadong等人，2026)开发了一个具有多尺度时空建模和跨域特征对齐的时频全连接图神经网络；然而，其图构建仍依赖于预定义的相似度度量进行关系表征。Xing等人(2026)将因果推断纳入多传感器图建模以表征故障传播关系并改善小样本条件下的诊断，但其主要关注点在于因果结构建模和数据增强。Liu等人(2025b)进一步开发了一个具有双重结构信息的多传感器图迁移网络，用于变工况下的故障诊断，改善了跨运行域的结构知识迁移。总体而言，现有研究已从动态特征融合、结构表示、多尺度依赖建模、因果关系学习和跨工况图迁移等角度推进了多源故障诊断。然而，在复杂变工况下实现鲁棒的关系建模仍面临挑战。

基于上述分析，仍存在三个主要局限：(1)尽管一些研究引入了动态图构建策略，但许多基于GNN的故障诊断方法仍依赖于预定义的相似度度量或邻域规则，这可能限制其适应速度波动和噪声干扰的图关系能力(Xinglin等人，2024；Jiamin等人，2024)。(2)尽管已探索了多尺度图表示，但在复杂故障和变工况下，局部故障敏感信息和全局结构依赖的联合建模仍不充分(Jiang等人，2025；Zhang等人，2025；Zhong等人，2025)。(3)许多代表性的基于GNN的故障诊断方法主要使用监督分类目标进行优化，如交叉熵损失，而跨不同图构建视图的表示一致性的显式约束仍有限(Ying等人，2024a, 2024b；Zhang等人，2024)。因此，本研究引入动态图建模、跨尺度特征表示和跨视图一致性约束，以提高变工况下的诊断准确率和表示稳定性。

基于上述局限，本研究提出了一种因果耦合建模与多阶谱表示对齐方法，称为DCMSRA，用于变工况下跨部件机械系统的故障诊断。主要贡献总结如下：

• (1)
  不同于主要基于预定义相似度度量或共享拓扑的图构建方法，DCMSRA结合类别级因果先验和样本特定动态信息来建模自适应的跨部件因果关系。
• (2)
  不同于固定尺度的图表示方法，开发了一种多阶谱表示策略，通过自适应尺度融合联合捕捉局部故障敏感信息和高阶结构依赖。
• (3)
  与传统单视图监督GNN相比，引入了辅助相关性视图来补充因果图，并使用跨视图一致性约束来提高变工况下的表示稳定性。

在两个多工况机械故障数据集上的实验结果表明，所评估的变工况场景下具有优越的诊断性能和改善的预测稳定性，同时两个数据集上的一致结果表明所提方法适用于不同的机械系统和传感器配置。

本文其余部分组织如下。第2节介绍因果图的理论基础。第3节提出所提方法，包括三个核心模块和整体工作流程。第4节提供全面的实验验证。第5节总结全文。

章节摘要

因果图的理论基础

在复杂系统建模和多源信息分析中，基于图的建模已成为表征变量间关系的重要工具。现有方法通常通过在节点之间建立连接来描述系统内部的关联模式，全连接图是最常采用的结构之一，以确保图内充分的信息传播。如图1(a)所示，此类结构假设

所提方法

本研究提出了DCMSRA方法，用于变工况下跨部件机械系统的故障诊断。该方法由三个主要部分组成：DCG构建、MoSAR设计和PAV-CA开发。

变工况下跨部件故障数据集介绍

案例1：数据集1采集自东南大学机械系统故障诊断测试平台(SEU_Data)，如图6(a)所示(Shao等人，2018)。该数据集包括五种轴承状态：健康、滚珠故障、内圈故障、外圈故障和复合故障。就工况而言，数据在两种场景下采集：20 Hz转速配0 V负载和30 Hz转速配2 V负载，采样频率为5120 Hz。对于

结论

本文提出了一种基于动态因果建模和多尺度谱表示对齐的诊断框架，以解决变工况下跨部件机械系统中时变耦合关系和特征表示不稳定的问题。通过整合类别级先验和样本级动态信息，构建了动态因果图，以自适应地表征多源信号之间的因果依赖。同时，

CRediT作者贡献声明

Yi Gao：撰写-初稿、可视化、验证、软件。Haidong Shao：撰写-审阅与编辑、可视化、监督。Jun Ding：验证、监督。Jiarui Liu：可视化、验证、监督。Mingze Xu：可视化、验证、监督。Jiale Zhang：可视化、验证。Daolin Xu：可视化、验证。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系可能会影响本文报告的工作。

致谢

本研究得到江苏省基础研究计划(BK20253037)、湖南省自然科学基金青年学生基础研究计划(编号 2026JJ90258)、国家自然科学基金(编号 52275104)以及车辆先进设计与制造技术国家重点实验室(编号 72675005)的支持。

Yi Gao|Haidong Shao|Jun Ding|Jiarui Liu|Mingze Xu|Jiale Zhang|Daolin Xu

车辆先进设计与制造技术国家重点实验室，湖南大学机械与车辆工程学院，长沙，410082，中国