迈向监管友好的轴承故障诊断:基于结构嵌入保持的机器遗忘

《Advanced Engineering Informatics》:Toward regulation-friendly bearing fault diagnosis via structural embedding preserving machine unlearning

【字体: 大 中 小 】 时间:2026年09月18日 来源:Advanced Engineering Informatics 11.5

编辑推荐:

   • 对故障诊断时间序列数据集的机器遗忘进行初步研究。 • 揭示工业遗忘设置中的嵌入层失效模式。 • 提出一种利用软轴承样本和修改后三元组损失的新方法。 • 该方法在所有数据集上平衡了遗忘和保留性能。 引言 随着现代工业系统变得更加复杂,人工智能(AI)被越来越多地用于解决运

  

• 对故障诊断时间序列数据集的机器遗忘进行初步研究。
• 揭示工业遗忘设置中的嵌入层失效模式。
• 提出一种利用软轴承样本和修改后三元组损失的新方法。
• 该方法在所有数据集上平衡了遗忘和保留性能。

引言
随着现代工业系统变得更加复杂,人工智能(AI)被越来越多地用于解决运营挑战。神经网络架构的最新进展进一步增强了从传感器数据中识别和分类轴承故障的能力 [1]、[2]。基于历史振动信号训练的各种模型在实际应用中表现出色,能够实现预测性维护并减少系统停机时间 [3]、[4]。
在工业环境中,数据删除请求可能源于合同到期、组织变更、法规要求或数据质量问题。图 1 说明了机器遗忘变得必要的真实世界工业场景。因此,数据删除既可能是一个实际考量,也可能是一项法律或合同要求。
在协同制造环境中,公司之间的数据共享受到严格的目的和保留期限限制。当合作伙伴合同到期时,数据处理约定目的结束,接收公司不再被允许保留或使用合作伙伴的数据进行与模型相关的操作。这一要求与主要法规框架相符,包括欧盟 GDPR(第 5(1)(b,e) 条;第 17 条)、加州 CCPA/CPRA 和中国 PIPL(第 47 条和第 48 条),这些法规均规定一旦数据的预期目的或保留期届满,必须删除数据。除合同和法规要求外,由于传感器故障、误标记的生产日志或设备漂移等运营问题,也可能需要删除数据。即使这些故障记录被删除,其影响仍可能持续存在于模型参数中,导致预测可靠性下降。
出于这些原因,数据删除可能需要从训练集中移除特定数据(DF,遗忘数据),同时必须保留剩余数据(DR,保留数据)。一种简单的方法是使用仅 DR 从头重新训练模型;然而,这种方法计算成本高昂,且在需要连续运行的大型生产系统中往往不可行。为了克服这一局限性,机器遗忘被提出作为一种高效的替代方案:它减轻了 DF 对原始训练于 DR∪DF 的模型的影响,同时保留 DR 的效用。
机器遗忘的目标是实现与从头训练模型相同的效果(即重新训练),同时最小化计算开销并保持保留数据的性能。这一能力使机器遗忘既成为合规的实际必要,也是提高工业系统适应性的手段。
尽管对机器遗忘的兴趣日益增长,但现有方法主要是在图像或语言数据集上进行评估,它们在轴承故障诊断中的有效性仍未得到充分探索。因此,我们考察了现有机器遗忘方法在轴承故障诊断系统中的应用,发现它们不适合这种环境。由于无法有效管理时间序列振动数据中紧密聚集的特定故障模式,它们往往无法保留诊断准确性或充分抑制遗忘样本的影响。
除了通过准确性衡量的遗忘性能外,还评估了遗忘后嵌入空间与重新训练的相似性,以验证遗忘样本是否已从原始类别表示中结构位移,同时保留保留表示的结构。为此,采用了一种基于 d-ratio [5] 的表示级指标,即嵌入位移比率(ESR),用于量化嵌入空间中遗忘样本和保留样本之间的相对分离度(详见第 3.1 节)。
现有方法的上述局限性促使我们开发一种新的轴承故障诊断框架遗忘方法。因此,提出了一种新的机器遗忘框架,即软引导嵌入遗忘(SEU),它利用软样本和修改后的三元组损失来保留嵌入。具体来说,每个遗忘样本被视为锚点。通过引导遗忘嵌入向最近的保留分布移动,并降低语义漂移的风险 [6],将遗忘样本移离其原始类别表示,并引导至最相似的保留类别。
该方法鼓励模型将遗忘数据与其学习到的表示分离,而无需将它们重新标记为新的或不同的类别。与评估的基准方法相比,SEU 产生的嵌入分布与重新训练高度相似。在 ESR 方面,SEU 也与保留数据紧密匹配,表明遗忘样本的分散和保留簇结构的保存。这些观察表明,SEU 在嵌入空间中更好地平衡了遗忘和保留结构保存。
本文组织如下。第 2 节概述了相关工作和相关背景。第 3 节概述了我们研究的必要性并详细介绍了提出的遗忘算法。第 4 节展示了实验结果。具体来说,我们使用公共和私有轴承数据集构建了实验设置,以更好地模拟真实世界场景。该方法实现了遗忘目标,并产生了最接近重新训练的结果。我们通过嵌入空间可视化、性能评估以及基于 ESR 指标的分析验证了这一结果。第 5 节界定了研究的范围并提出了后续研究途径,第 6 节总结了全文。
主要贡献如下:
• 本工作对故障诊断基准测试上的机器遗忘进行了彻底调查,包括公共和模拟工业数据集。研究表明,现有方法在应用于紧密聚集的时间序列故障模式时表现出明显的局限性。
• 识别了此前未报告的工业时间序列遗忘中的嵌入层失效模式,支持基于 ESR 和 t-SNE 可视化的分析。
• 引入了 SEU 作为新颖框架,利用软轴承样本和修改后的三元组损失,将遗忘嵌入位移至最近的保留类别,同时将保留嵌入锚定在基础模型的嵌入上。
• 在公共和模拟轴承数据集上的大量实验表明,在评估的方法中,SEU 实现了最接近重新训练的表示和预测性能。

章节片段
轴承诊断系统
故障诊断是预测与健康管理(PHM)中的关键任务之一 [7]。轴承作为电机、泵、涡轮机和压缩机等旋转机械中的关键部件,支持旋转运动并减少摩擦。轴承故障可能会将损坏传播到周围的机械部件,导致系统意外停机、安全风险和高维护成本 [8]。因此,早期准确诊断轴承故障对于
动机
现有方法在图像识别和自然语言处理等领域显示出有效结果。
当应用于轴承故障诊断时,这些方法并不有效,因为它们通常难以在时间序列振动数据上实现可靠的遗忘性能,同时保持诊断准确性。观察到两个重要现象:(i) 准确性差异和 (ii) 不同的嵌入表示。
数据集与设置。
为了验证所提出遗忘方法的有效性并更好地反映真实世界场景,使用公共和私有轴承数据集构建了实验设置。
作为公共数据集,使用了 CWRU 轴承数据集,其中包括在不同电机负载下各种运行条件收集的振动信号。CWRU 数据集涵盖一种正常条件和三种故障类型:内圈、外圈和滚珠故障。基于 48 kHz 的采样率,该
局限性与未来工作
尽管取得了这些结果,但应注意几个局限性。首先,SEU 依赖于学习到的表示空间的几何结构。当嵌入表现出强类内紧凑性、足够的类间可分性与与遗忘数据相关联的可识别方向或子空间时,其有效性预计更高。在这些条件下,嵌入层目标可以更可靠地修改与遗忘相关的表示,同时限制对
结论
本文介绍了 SEU,一种面向轴承故障诊断的表示驱动机器遗忘方法。通过利用带有软样本引导和嵌入层对齐的双三元组目标,SEU 使模型在遗忘样本上的行为与重新训练更加一致,同时保留了保留知识和整体诊断性能。在公共和私有数据集上的大量实验表明,SEU 在所有中始终实现了接近重新训练的性能
CRediT 作者贡献声明
Jiyoung Lee:撰写 - 原稿,验证,方法论,形式分析,数据整理,概念构思。Chaewon Yoon:撰写 - 审阅与编辑,可视化,数据整理。Hoki Kim:撰写 - 审阅与编辑,监督,方法论,数据整理,概念构思。
利益冲突声明
作者声明,他们没有已知的竞争经济利益或个人关系,这些关系可能会影响本文报告的工作。
致谢
本研究得到了韩国国家研究基金会(NRF)由韩国政府(MSIT)资助的拨款(RS-2026-25484948);韩国大韩民国政府(科学与信息通信技术部)资助的“先进 GPU 利用支持计划”;以及韩国科学与信息通信技术部(MSIT),在由信息与通信技术研究院(IITP)监督的融合安全核心人才培养业务支持计划(IITP-2026-RS-2023-00266605)下支持。
Jiyoung Lee|Chaewon Yoon|Hoki Kim
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号