《Engineering Applications of Artificial Intelligence》：Abductive reasoning and physical model guided data generation method for bearing fault diagnosis under limited data
编辑推荐：
•ARPMG-MS-SMOTE 将物理模型、先验知识和数据学习相结合以生成数据。•物理模型引导的多尺度 SMOTE 生成可靠的故障样本。•溯因推理模块强制注入专家知识以确保物理一致性。引言轴承作为旋转机械中的关键部件，在确保航空发动机和风力涡轮机等设备可靠高效运行方面发挥着至
- •
ARPMG-MS-SMOTE 将物理模型、先验知识和数据学习相结合以生成数据。
- •
物理模型引导的多尺度 SMOTE 生成可靠的故障样本。
- •
溯因推理模块强制注入专家知识以确保物理一致性。
引言
轴承作为旋转机械中的关键部件，在确保航空发动机和风力涡轮机等设备可靠高效运行方面发挥着至关重要的作用（Shang 等，2026；Ping 等，2025；Ma 等，2025）。由于长期在高转速和重载条件下运行，轴承容易出现局部缺陷，这些缺陷可能演变为严重故障，进而导致重大的安全风险和经济损失（Shuntang 等，2026；Sun 等，2024）。因此，准确高效的轴承故障诊断一直是近年来活跃的研究课题。
得益于深度学习的快速发展，数据驱动的轴承故障诊断方法受到了特别关注（Hoang & Kang, 2019；Tang 等，2024；Bono 等，2022）。然而，数据驱动模型的性能强烈依赖于充足的标注数据的可用性。在实际工业系统中，故障样本通常难以采集，且数量远少于健康样本，导致严重的类别不平衡问题（Li 等，2025a）。类别不平衡问题会严重降低诊断模型的泛化能力，从而阻碍数据驱动方法在实际应用中的部署（Zhao 等，2025）。
为了解决类别不平衡问题，现有研究主要采用算法级方法和数据级方法（Alzubaidi 等，2023）。算法级方法通过引入代价敏感学习或设计不平衡感知损失函数来增强模型在小样本条件下的鲁棒性（Y. Zhao 等，2024；Luo 等，2025；Xu 等，2025）。然而，这些方法通常会引入额外的模型参数和计算负担，导致实际应用中的推理延迟增加。此外，模型复杂度的提高可能增加过拟合的风险，从而限制模型对未见数据的泛化能力。
相比之下，数据级方法通过过采样、欠采样或数据生成等方式对数据集进行重新平衡，其中数据生成方法在旋转机械故障诊断领域引起了越来越多的关注（Li 等，2025b；Zhao 等，2026）。此类数据级方法不改变下游诊断模型，并且已展现出在不平衡条件下提高诊断鲁棒性的巨大潜力。
Wang 等（2024）提出了 BDOP-GMM-SMOTE，该方法结合高斯混合模型和边界感知优化来改进少数类别过采样。Ye 等（2025）开发了一种基于迁移的生成对抗框架，从稀缺的少数类别数据中合成故障样本。后续研究通过增强的训练策略和网络结构改进了对抗生成方法（Qin 等，2025）。最近，基于扩散的模型被引入轴承故障数据生成领域，得益于其改进的训练稳定性和样本质量（Yang 等，2024；Fan 等，2025）。
尽管这些数据驱动方法可以缓解类别不平衡问题，但当仅有少量故障样本可用时，其性能可能会下降。为引入机制相关约束，一些研究将物理模型纳入数据生成框架。Qin 等（2024）将数字孪生建模与逆物理信息学习相结合，在数据受限条件下生成故障样本。Yu 等（2025）将轴承动力学模型与 CycleGAN 集成，以减少模拟信号与测量信号之间的差异。Zhu 等（2025）进一步将数字孪生模拟与条件生成模型相结合，以提高合成故障数据的物理一致性。
通过将物理模型与数据驱动学习相结合，这些混合方法提高了生成样本的物理保真度，并促进了模型与数据之间更紧密的一致性。然而，大多数物理模型都是基于偏微分方程构建的，这些方程假设理想化的运行条件。在真实工程环境中，测量信号不可避免地受到传输路径和结构共振的干扰，这可能掩盖内在的故障特征，并限制基于物理的数据生成方法在实际条件下的有效性。此外，现有的混合框架通常侧重于物理模型与数据驱动学习的集成，却很少纳入领域先验知识来显式约束或优化数据生成过程（Guo 等，2020）。
为弥补这一差距，本研究提出了溯因推理与物理模型引导的多尺度 SMOTE 方法（ARPMG-MS-SMOTE）。ARPMG-MS-SMOTE 的一个关键创新在于其基于专家知识的样本校正机制，其中采用溯因推理来评估和修正生成样本的频谱特征。通过整合物理模型引导的分层特征提取、多尺度潜空间插值以及溯因推理驱动的频谱校正，ARPMG-MS-SMOTE 形成了一个连贯的、知识引导的框架，用于在数据有限的情况下生成高保真、物理一致的故障样本。
本文的贡献总结如下。
- (1)
开发了一个 ARPMG-MS-SMOTE 框架，将物理建模、专家先验知识和数据驱动学习相结合，用于在故障样本极度稀缺条件下的故障数据生成。
- (2)
设计了一种物理模型引导的多尺度 SMOTE（MS-SMOTE）策略，在学到的潜特征空间中合成结构连贯且物理合理的故障样本。
- (3)
引入一个溯因推理模块，施加频域先验知识约束并迭代优化合成频谱，确保物理一致性和与专家知识的对齐。
本文其余部分组织如下。第2节介绍所提出的 ARPMG-MS-SMOTE 框架，第3节报告实验验证结果，第4节进行总结。
章节摘要
框架概述
所提出的 ARPMG-MS-SMOTE 框架通过将数据准备、物理模型引导的多尺度样本生成、知识驱动的溯因推理以及下游故障诊断相结合，解决轴承故障数据有限和不平衡的挑战。包含四个主要阶段的整体工作流程如图1所示。
在第1阶段，原始振动信号被分段为时域样本，并通过快速傅里叶变换转换为频域样本
实验
本研究采用华中科技大学（HUST）轴承数据集（C. Zhao 等，2024）和大连理工大学（DUT）轴承数据集进行数据生成和故障诊断实验。实验在配备 Intel Core i7-14700KF CPU 和 RTX 4060Ti 16G GPU 的计算平台上进行。系统内存为 32 GB。编程环境为 Python 3.10，深度学习算法使用
结论
本文提出了 ARPMG-MS-SMOTE，一个用于故障样本极度稀缺条件下轴承故障数据生成的统一框架。
通过整合物理模型引导的特征学习、多尺度潜空间插值以及先验知识驱动的溯因推理，所提出的方法建立了一种连贯的生成机制，以提高合成故障样本的可靠性和物理一致性。物理模型引导的编码器-解码器提供了稳定的多尺度
作者贡献声明
Song Ma：项目管理、资金获取。Bowen Xiao：论文撰写——审阅与编辑、论文撰写——初稿。Xinyang Liu：调查研究。Yunbo Yuan：资金获取。Yi Xu：论文撰写——审阅与编辑。Bing Xiao：论文撰写——审阅与编辑。
利益冲突声明
作者声明，他们不存在已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。
致谢
本研究部分得到国家自然科学基金资助（项目编号：12302065），部分得到国家重点研发计划资助（项目编号：2022YFF0610900），部分得到先进装备机械传动国家重点实验室资助（项目编号：SKLMTMSKFKT-202305
Song Ma|Bowen Xiao|Xinyang Liu|Yunbo Yuan|Yi Xu|Bing Xiao
