面向旋转机械故障诊断的数据知识驱动零样本学习方法

《Neurocomputing》：Data-knowledge-driven zero-shot learning method for fault diagnosis of rotating machinery

　　

摘要

数据驱动故障诊断方法已成功应用于旋转机械，以确保其安全且经济地运行。然而，由于工作条件不断变化和运行环境复杂，难以收集能够覆盖所有条件的样本。一旦缺乏故障样本，数据驱动诊断方法的性能会显著下降。针对这一问题，提出了一种数据-知识驱动的零样本学习方法用于旋转机械故障诊断。首先，从反应机制或工作条件中提取属性知识，可用于表征已知和未知故障。其次，以属性知识作为输出，构建基于极端梯度提升的属性预测器，其中采用梯度树提升策略和贪婪算法更新模型并确定最优分裂点。第三，将训练良好的属性预测器迁移至未知故障，并分析其可行性。然后，设计基于距离的带正则化的评估指标以实现故障诊断。最后，使用基准数据集和真实工业数据集验证所提方法的有效性。

引言

随着工业化的不断推进，旋转机械在生产过程中扮演着越来越重要的角色[1]。通常，旋转机械以变化的工作条件运行以满足不同需求[2]。例如，在污水处理过程中，鼓风机轴承需要调整其转速以应对变化的进水质量、温度等，从而保证安全运行和达标排放[3]。这显著增加了故障的发生率，可能导致生产效率降低，甚至严重事故[4]。因此，实现准确的故障诊断至关重要。

得益于物联网和传感器网络的日益成熟，数据驱动故障诊断方法已广泛应用于旋转机械并取得令人满意的结果[5]，[6]。通过在旋转机械的不同位置布置合适的传感器，可以收集大量运行数据，然后设计故障诊断策略[7]。文献[8]提出了一种旋转机械故障诊断算法，其中应用1维Wasserstein距离识别不同工况，并引入邻域成分特征选择策略以实现鲁棒诊断。文献[9]为旋转机械设计了一种基于多尺度多样性熵和极限学习机的故障诊断方案。此外，考虑到深度学习在特征提取和非线性映射方面的优势，结合二值化深度神经网络和随机森林设计了一种面向大型旋转机械的智能故障诊断方法[10]。文献[11]提出了一种基于多尺度网络的数据驱动故障诊断方法，用于识别和分类旋转机械中的故障。高精度诊断高度依赖于采集样本的质量、数量及其标签，在实际运行过程中，类别不平衡问题较为常见，这不利于有效诊断。

为解决上述问题，一些针对类别不平衡的故障诊断方法已得到广泛研究[12]。文献[13]提出了一种基于置信度加权支持矩阵机(CWSMM)的融合框架用于旋转机械故障诊断。CWSMM用于解决类别不平衡问题，并应用Dempster-Shafer证据理论推断故障类型。文献[14]设计了一种基于卷积神经网络和生成对抗网络的智能少样本故障诊断方法用于旋转机械。此外，文献[15]提出了一种基于残差混合自注意力机制的数据增强故障诊断方法，用于不平衡样本条件下的滚动轴承。文献[16]提出了一种利用数值模拟和生成对抗网络的新方法，以扩充故障样本用于齿轮故障检测。尽管上述方法对已知故障表现良好，但一旦缺乏故障样本（即未知故障），其诊断准确率会受到很大影响。

近年来，开放集识别或零样本学习(ZSL)为上述问题提供了解决方案[17]，[18]。文献[19]设计了一种联合加权迁移网络，用于量化分类不确定性并反映未知类别中每个目标样本的概率。该方法的局限性在于只能诊断一种未知故障。考虑到旋转机械中可能出现多种未知故障，零样本学习使得同时诊断它们成为可能[20]。通常，零样本学习可分为生成模型和嵌入模型[21]。生成模型基于已知类别样本与辅助信息之间的关系生成未知类别，从而将零样本学习任务转化为传统监督学习任务。文献[22]为轴承故障诊断研究了一种新颖的基于语义属性的零样本学习方法，其中应用去噪残差卷积自编码器作为语义生成模型获取非语义属性。生成模型的局限性在于训练过程的复杂性和生成样本的评估问题。对于嵌入模型，其目标是学习一个嵌入函数，将已知类别样本和辅助信息投影到共同空间中，从而通过相似度测量实现分类。文献[23]为滚动轴承提出了一种基于语义空间的零样本学习方法，结合了一维卷积神经网络(SSB-ZSL-1DCNN)。该方法详细阐述了通过一维卷积神经网络进行特征提取、通过人工定义进行语义描述以及通过双线性兼容性函数进行故障诊断。此外，文献[24]提出了一种用于轴承故障诊断的零样本属性一致模型，其中根据各种单一故障类型构建了细粒度属性描述矩阵。嵌入零样本学习的本质是将已知故障的诊断模型迁移到未知故障上。因此，主要难点在于保证属性知识的有效性以及诊断模型的可迁移性，这促使了本研究。

针对上述难点，提出了一种基于极端梯度提升(XGBoost)的数据-知识驱动零样本学习(DK-ZSL)方法用于旋转机械故障诊断。XGBoost在处理二元属性预测方面具有明显优势，因为它可以使用稀疏感知算法自动学习分裂方向。同时，通过其正则化可以保证XGBoost的可迁移性。主要贡献可总结如下。

• (1)
  基于不同旋转机械故障表现出不同特征的原则，提取关于故障类型、工况、反应动力学等的二元属性知识。该属性信息可作为辅助知识，用于在无训练样本的情况下辅助未知故障诊断。
• (2)
  通过独立成分分析和互信息提取与属性相关的特征。然后利用属性知识和特征构建基于XGBoost的属性预测器，其中采用梯度树提升策略和贪婪算法更新模型并确定最优分裂点。为缓解已知与未知故障之间的分布差异，设计了带正则项的目标函数以保证预测结果。
• (3)
  分析了基于XGBoost的属性预测器迁移至未知故障的可行性。然后基于预测的属性值和已建立的属性知识矩阵，利用带正则化的距离评估指标推断未知故障类型。

本文其余部分组织如下。第2节介绍预备知识和问题表述。第3节详细描述所设计的用于旋转机械故障诊断的数据-知识驱动零样本学习方法。第4节使用基准数据集和真实工业数据集评估所提方法的有效性。第5节给出结论和未来工作。

章节片段

所提方法的背景

在旋转机械运行过程中，工作条件不断变化以满足不同需求，例如启停阶段的载荷和转速变化。这显著增加了故障的发生率。对于旋转机械，故障通常发生在转子、轴承、齿轮等部件上。以齿轮为例，常见故障包括齿轮缺失、磨损、断裂和裂纹。齿轮缺失是一种突发性和冲击性

所提方法的框架

所提DK-ZSL方法的框架如图2所示，其中包含三个主要部分，即属性知识提取、数据-知识驱动属性预测器和基于属性迁移的故障诊断。首先，通过分析旋转机械的工作条件，提取类别级属性知识，可用于表征不同故障。其次，以属性知识作为输出，数据-知识驱动属性

实验结果与分析

为验证所提DK-ZSL方法的有效性，应用了旋转机械的基准数据集和真实工业数据集。此外，为展示其在诊断准确率方面的优越性，与一些零样本学习相关方法进行了比较。

结论

本文提出了一种基于XGBoost的DK-ZSL方法，用于在无训练样本的情况下诊断未知故障。应用了基准数据集和工业数据集，平均诊断准确率可达$$和$$，比比较方法提高约$$。所提方法的主要优势在于属性知识的提取和数据-知识驱动属性预测器的建立。从

CRediT作者贡献声明

张露：撰写——初稿、验证、软件、方法论、资金获取。 钟麦英：撰写——审阅与编辑、资金获取。

利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性财务利益或个人关系。

致谢

本文部分由国家自然科学基金资助（资助号：62573275和62233012）、山东省自然科学基金资助（资助号：ZR2025MS1102）、泰山学者项目研究基金、科技泰山人才提升工程、山东省高等学校青年科技创新计划支持（资助号：2025KJH035）。

张露于2020年获得北京工业大学信息工程学院博士学位。现任中国山东科技大学副教授。她的研究兴趣包括污水处理过程中的智能故障检测与诊断。

张露|钟麦英