GTSFlow：知识引导的谱-拓扑流匹配方法用于宽体矿用自卸车数据稀缺条件下的故障诊断

《ADVANCED ENGINEERING INFORMATICS》：GTSFlow: Knowledge-guided spectral-topology flow matching for data-scarce fault diagnosis in wide-body mining dump trucks

　　

•GTSFlow 将复数 STFT 流匹配与动态频谱拓扑图相结合。
•拓扑对齐调度使图结构从噪声演化至传感器耦合状态。
•GTSFlow 实现了强大的联合频谱和分布保真度。
•生成的数据在有限标签下改善了油泄漏诊断。
引言
在现代工程信息学领域，关键资产——如宽体矿用自卸车悬挂系统、海上风力涡轮机传动系统以及航空发动机转子——正迅速向更高水平的精度和集成度演进 [1]。在其全生命周期运行过程中，这些系统不可避免地受到复杂多源不确定性的耦合影响 [2], [3]。这些不确定性源于知识不完备、制造公差以及环境干扰（如随机道路激励），给系统响应引入了显著的随机性和偏差 [4], [5], [6], [7], [8]。因此，面向可靠性的设计已从传统的确定性方法转变为以不确定性量化和管理为中心的体系工程范式 [9], [10]。这种范式转变需要稳健的数据驱动决策支持，其核心挑战在于对极端响应行为和失效概率进行可解释评估 [11], [12]。

复杂机械系统通常配备密集的传感器网络以监测运行状态并量化这些不确定性，从而产生海量的多变量时间序列（MTS）数据 [13]。理论上，这一数据流代表了一个由系统潜在物理拓扑控制的高维随机过程 [14]。然而，在此背景下部署数据驱动模型揭示了一个根本性瓶颈：数据内在的物理耦合 [15]。不确定性并非表现为独立的噪声，而是表现为受物理约束的复杂时空相关性 [16]。例如，在宽体矿用自卸车悬挂系统中，车轮加速度表现出相位滞后，但仍受统一底盘动力学控制 [17], [18]。忽略这些多变量依赖性——将传感器视为隔离通道——违反了系统级运动学一致性 [19]，给下游可靠性评估引入了系统偏差 [20]。

深度生成模型已成为近似高维分布的有力工具，为解决数据稀缺和不确定性表征的挑战提供了有前景的解决方案 [21], [22]。现有的面向可靠性的时间序列数据增强方法主要包括变分自编码器（VAEs）[23], [24], [25]、生成对抗网络（GANs）[26], [27], [28]，以及基于概率的生成模型，如去噪扩散概率模型（DDPMs）[29], [30], [31], [32], [33] 和流匹配（FM）[34], [35]。这些方法可以通过学习复杂数据分布来合成稀缺样本，因此已被广泛用于可靠性分析和故障诊断。

机械系统中的近期应用进一步显示出从纯数据驱动生成向物理引导和特定任务样本合成的转变。Qin 等人 [36] 进一步利用频域 Bi-LSTM CycleGAN 开发了故障滚动轴承数字孪生，以生成高质量的故障样本用于不平衡诊断。Zhao 等人 [37] 提出了一种物理建模驱动的可解释增强方法，将轴承动力学模型与 GabcauACGAN 映射网络相结合，以改善不平衡数据下的诊断性能。除了不平衡数据增强外，Wang 等人 [38] 引入了一种基于扩散的三重原型融合框架用于零样本复合故障诊断，而 Zhao 和 Qin [39] 设计了一种物理引导的动态张量投影网络，以在变转速条件下提取状态不变且具有物理意义的特征。这些研究表明，融入物理模型、频域知识和诊断先验正成为数据稀缺机械应用的重要方向。

先进的深度学习架构在建模工程系统的时空依赖性方面显示出强大的潜力。基于 Transformer 的模型能够捕获分层场特征，如 Hu 等人 [40] 提出的 Swin Transformer 框架用于锻造模具的实时 3D 温度场重建所示。图神经网络（GNNs）提供了一种非欧几里得的方式来建模时间序列任务中的变量间依赖关系 [41]，并已扩展至用于多传感器故障诊断的注意力感知时空图建模 [42]。然而，现有的基于注意力或基于图的模型通常从数据相关性中推断通道关系，对其物理耦合的显式表征有限。在机械多传感器系统中，这种耦合受振动传递路径和频谱相干性控制，因此需要具有物理意识的表示。

尽管取得了这些进展，但在多传感器机械信号生成方面仍存在三个明显的差距。第一，存在表示差距，因为大多数生成器在时域运行或学习压缩的潜在特征，而没有显式保留表示共振和非平稳振动行为所需的联合幅值 - 相位信息 [43], [44], [45]。第二，拓扑演化差距依然存在，因为基于注意力和基于图的方法通常从学习的相关性中推断通道依赖关系，或在整个生成过程中应用固定图 [28], [42], [46]，而没有显式建模从独立噪声先验到机械响应中观测到的耦合结构的转变。现有的物理引导方法通常通过仿真映射、条件变量或输出级约束引入领域知识 [36], [37], [47]。第三，工业实用性差距依然存在，因为仅靠分布相似性并不能确定合成数据是否保留了下游诊断在有限故障数据和噪声操作下所需的跨传感器关系。这些差距分别涉及诊断信号知识的表示、传感器耦合的生成涌现以及由此产生的合成数据的操作价值。

据此，本研究解决了以下研究问题：
•RQ1：与基线生成器相比，提出的 GTSFlow 框架在非平稳多传感器振动信号的联合频谱和分布保真度方面达到了何种程度？
•RQ2：GTSFlow 在多大程度上保留了实测机械响应中观测到的跨传感器传播和耦合关系？
•RQ3：在有监督工业故障数据有限的情况下，GTSFlow 生成的数据在多大程度上能提高故障诊断准确率和噪声鲁棒性？

为解决这些问题，我们提出了 GTSFlow，一种用于多传感器机械数据生成的知识引导频谱拓扑流匹配框架。方法论贡献如下：
1.我们在复数 STFT 状态空间中构建条件流匹配。在概率流中保留实部和虚部提供了幅值 - 相位信息的显式表示，并为评估 RQ1 提供了方法论基础。
2.我们构建了一个动态频谱拓扑图（DSTG），其中传感器节点代表振动通道，边权重源自频谱相合性。该图提供了跨传感器耦合的数据知情表示，而不是将通道视为独立的或仅依赖无约束的学习相关性。
3.我们引入了一种拓扑对齐调度，使图结构从与独立噪声先验相关的单位结构演化至从实测数据估算的相干结构。将此调度与 DSTG 集成使向量场能够建模传感器间依赖性的涌现，并为 RQ2 中考察的机制提供了支持。

这三个问题利用宽体矿用自卸车的真实运营数据进行了检验。对比生成实验评估 RQ1；物理保真度分析辅以组件消融实验评估 RQ2；不同增强规模下的下游液压油泄漏诊断辅以噪声敏感性分析评估 RQ3。

本文其余部分组织如下。第 2 节介绍车辆动力学和条件流匹配。第 3 节提出 GTSFlow。第 4 节报告实验验证结果。第 5 节结合研究问题、工业意义和未来研究讨论研究结果。第 6 节总结全文。

章节片段
宽体矿用自卸车动力学模型
本研究涉及的宽体矿用自卸车在复杂工况和极端载荷变化下运行。为有效管理这些动力学特性，该车采用混合油气悬挂配置，前后轴设计不同，如图 1 所示。
前轴悬挂：前轴配备传统单腔集成油气悬挂，以确保结构紧凑性和操纵稳定性。

所提方法
本节中，我们提出了 GTSFlow，一个旨在捕捉机械系统复杂非平稳和耦合动力学特性的框架。该方法结构分为三个关键组成部分：首先，我们建立了一个频域表示，在编码静态物理先验的同时显式保留幅值和相位信息。其次，我们将生成过程构建为复数频谱上的条件流匹配问题，结合了一种新颖的动态拓扑对齐

实验
实验旨在利用宽体矿用自卸车的真实运营数据评估三个研究问题。在描述数据集、基线和评估指标之后，对比生成研究评估联合频谱和分布保真度，为 RQ1 提供证据。时空分析量化了传感器间的传播延迟、相位、峰值频率和频谱拓扑误差，为跨传感器

联合频谱和分布保真度
第一个研究问题涉及所提框架是否能在非平稳多传感器振动信号上实现联合频谱和分布保真度。GTSFlow 实现了最低的 MDD 和 CFID，同时保持 FSCS 为 0.9990。TimeVQVAE 获得了略高的 FSCS（0.9992），但其较大的 MDD 和 CFID 表明，在主导频谱轮廓上的一致并不必然意味着在更广泛的数据分布上的一致。因此，RQ1 的答案并非那种

结论
本研究开发了 GTSFlow，一种知识引导的频谱拓扑流匹配框架，以将频谱表示和传感器间耦合纳入概率流生成，用于数据稀缺的故障诊断。该框架结合了复数 STFT 条件流匹配、基于相干性推导的动态频谱拓扑图，以及一种从独立噪声拓扑演化至从实测数据估算的耦合结构的拓扑对齐调度。

研究结果
CRediT 作者贡献声明
Chengyu Lu：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，方法论，形式分析，数据管理。
Zhaoxi Hong：监督，项目管理，资金获取。
Yixiong Feng：监督，资金获取。
Zhixin Liu：可视化，验证，调查。
Zhifeng Zhang：监督。
Jianrong Tan：监督，项目管理，资金获取。

利益冲突声明
作者声明他们不存在已知的会可能影响本文报告工作的竞争性财务利益或个人关系。

致谢
本工作由国家重点研发计划（项目编号：2024YFB3311803）、浙江省重点研发计划（项目编号：2025C01088 和 2026C01037）以及贵州省科技计划（项目编号：XKBF[2025]014, XKBF[2025]015, 和 QKHZD[2025]047）资助。
Chengyu Lu|Zhaoxi Hong|Yixiong Feng|Zhixin Liu|Zhifeng Zhang|Jianrong Tan