特征显著性丧失:面向多模态工业监测的可解释网络诊断框架

《ADVANCED ENGINEERING INFORMATICS》:Loss of feature salience: An interpretable network diagnosis framework for multimodal industrial monitoring

【字体: 大 中 小 】 时间:2026年09月22日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

   - 引入"特征显著性丧失"作为可解释的诊断概念。 - 通过SWLPVG、多层融合和自适应阈值将该概念操作化。 - 通过物理-网络映射实现可追溯的组件级定位。 - 在三个故障案例中事后报告了重复出现的"三降两升"模式。 - 在93个健康样本中正确定位了全部三个故障,无误报。

  

- 引入"特征显著性丧失"作为可解释的诊断概念。
- 通过SWLPVG、多层融合和自适应阈值将该概念操作化。
- 通过物理-网络映射实现可追溯的组件级定位。
- 在三个故障案例中事后报告了重复出现的"三降两升"模式。
- 在93个健康样本中正确定位了全部三个故障,无误报。

## 引言

复杂工业系统的健康监测[1],尤其是其故障诊断范式,正在经历由数据驱动的深刻变革。随着传感技术和物联网(IoT)的发展,来自同一系统的多物理量、多源异构时间序列——即多模态监测数据——已变得普遍。这些数据从不同维度共同刻画了系统的运行状态,为精确故障诊断提供了前所未有的信息基础。然而,如何从高维多模态数据中提取具有明确物理含义、对早期故障敏感且能够实现精确定位的诊断特征,仍然是工业智能领域的核心挑战。

传统故障诊断方法主要依赖于单模态信号分析,如振动频谱分析[2]或电流特征提取[3]。这些方法存在"信息孤岛"的固有局限性:单一信号可能对某些故障模式不敏感,导致漏检。与此同时,基于深度学习的表征级融合(如并行卷积神经网络或图神经网络)在学术文献中获得了广泛关注。尽管在受控环境中表现出较高的准确率,但在现实中的安全关键工业场景(如铁路信号系统)中部署时仍存在显著差距。许多基于学习的诊断模型依赖于标注的故障数据,其预测结果的物理基础和组件级含义无法直接被现场工程师所理解。因此,仅仅给出"故障"标签而缺乏可追溯诊断证据的预测,可能不足以支持安全关键的维护决策。相应地,领域内仍然需要一种物理引导且内在可解释的诊断框架,能够在无需监督分类器训练的情况下,提供节点级、可追溯至组件的证据。

近年来,复杂网络理论[4]、[5]为时间序列分析提供了新视角。通过将时间序列映射为复杂网络,可以利用丰富的拓扑指标来量化信号的动力学特性[6]。该范式已在多个领域成功应用[7]、[8]。其核心优势在于从系统交互和拓扑结构的角度审视异常:组件失效会改变其在整体交互网络中的结构重要性。尽管网络科学为故障诊断注入了新的活力,但现有研究仍存在几个关键空白:第一,大多数研究仅针对单一模态构建网络。第二,分析往往停留在全局网络统计层面,缺乏节点级定位能力。第三,所使用的网络特征与底层物理故障模式之间缺乏清晰、可解释的映射桥梁。现有大多数研究将网络特征视为孤立的统计量进行阈值判断,未能从物理组件的功能重要性如何映射到其在网络中特征显著性的更深层机制视角来构建诊断逻辑。

为明确解决这些研究空白,本研究由三个核心研究问题(RQ)引导:

- **RQ1**:如何将复杂工业系统的多模态时间序列映射为统一的多层网络,以有效捕捉跨模态一致性和局部瞬态异常?
- **RQ2**:如何利用领域知识建立被监测物理组件功能与具有物理可解释性的节点级网络特征之间的合理对应关系?
- **RQ3**:如何自适应地评估节点级特征显著性,并将其转化为可解释的组件级定位,而无需监督分类器训练或标签引导的阈值选择?

为回答这些问题,本文提出了"特征显著性丧失"作为所提多模态网络框架的核心诊断概念。该概念基于物理到网络的对应假设:当被监测组件的功能和空间位置可以与指定的网络节点和具有物理意义的拓扑特征相关联时,该组件的退化可能反映在其节点级特征显著性的变化中。这些特征变化的方向和组合方式不作为普适的先验法则处理,而是在应用研究中通过实证进行检验。通过沿着预定义的组件-节点对应关系追踪节点级显著性变化,该框架支持可解释的组件级定位,从而解决了RQ3。

本文的贡献围绕一个核心概念及其支撑性的操作和实证组件,按层次组织如下:

**(1) 核心理论贡献:** 论文引入"特征显著性丧失"作为可解释的诊断概念,用于将组件级功能退化与多模态网络中具有物理意义的节点特征变化联系起来。该概念不仅将故障视为分类标签,还建立了被监测信号、网络特征、物理组件和诊断决策之间可追溯的分析链接。

**(2) 支撑性技术操作化:** 该概念通过三个互补的技术组件实现:基于SWLPVG的网络重构以保留局部信号变化、基于拓扑一致性的多层融合以整合跨模态证据、以及分布自适应阈值以确定节点特征的相对显著性。这些组件作为将"特征显著性丧失"操作化的技术手段,而非独立的理论贡献。

**(3) 工程评估与实证观察:** 该框架使用三个铁路轨道电路区段的补偿电容监测数据进行评估。框架正确识别并定位了全部三个已记录的故障案例,且在93个健康组件状态样本中未产生误报。事后分析进一步发现了三个故障案例中重复出现的"三降两升"模式。该模式作为评估情境下的实证规律报告,而非作为普适的诊断法则。

总之,本工作探索了一种物理引导且内在可解释的工业诊断框架。通过"特征显著性丧失"这一核心概念,该框架建立了多模态监测信号、节点级网络特征、物理组件和诊断决策之间可追溯的分析链接,从而在所研究的工程情境中支持基于证据的维护决策。

本文其余部分结构如下:第2节综述多模态分析、复杂网络重构和节点角色分析的相关研究,并识别与可解释组件级诊断相关的方法论空白。第3节介绍以"特征显著性丧失"概念为核心的诊断框架,并描述其三个支撑性技术组件。第4节使用三个无绝缘轨道电路区段的补偿电容监测数据评估该框架,并考察已记录故障案例中观察到的实证特征模式。最后,第5节总结研究发现,讨论当前证据的边界条件,并概述在其他工程系统中进行领域验证的方向。

## 论文片段

### 理论基础与相关工作

本节对与本工作密切相关的三个研究领域进行结构化综述:多模态时间序列分析、时间序列的复杂网络重构方法、以及网络节点特征分析和角色理论。通过系统审视研究现状,我们明确地将本研究工作置于学术版图中,并阐明其新颖性和必要性。

### 多模态多层网络分析框架

所提出的框架将多模态时间序列转换为多层网络,并通过节点特征显著性分析执行组件级诊断。如图1所示,该框架以"特征显著性丧失"概念为核心,通过三个顺序技术阶段操作化:(I)从时间序列的单模态网络重构;(II)多层网络融合;(III)节点特征显著性评估和故障定位。该框架采用……

### 实验与结果分析

本节使用三个轨道电路数据集评估所提出的多模态多层网络分析框架。首先介绍实验设置和评估指标,然后对825AG案例进行详细分析,随后进行跨数据集诊断一致性分析、特征响应分析、对比评估和消融分析。

### 结论

本研究通过提出以"特征显著性丧失"概念为核心的多模态网络诊断框架,解决了多模态信息融合、诊断可解释性和组件级故障定位的挑战。该概念通过三个支撑性技术组件操作化:基于SWLPVG的网络重构、基于拓扑一致性的多层融合、以及分布自适应的特征显著性评估。在评估中……

## CRediT作者贡献声明

王石林:写作——审阅与编辑,写作——原稿撰写,可视化,项目管理,方法论,形式化分析,概念化。
陈光武:资源,项目管理,资金支持,形式化分析,概念化。
周鑫:软件,概念化。
李鹏:项目管理,调查,形式化分析,概念化。
包承奇:软件,项目管理,形式化分析,概念化。
杨聚华:概念化。

## 利益冲突声明

作者声明,他们不存在已知的可能影响本文所报告工作的竞争经济利益或个人关系。

## 致谢

本工作得到国家自然科学基金(批准号:52472344)、中国铁路总公司科技研发计划(批准号:N2024G056)、甘肃省教育厅科学技术计划项目(批准号:2026CYZC-037)以及兰州市科技计划项目(批准号:2025-GN-1)的资助。

王石林 | 陈光武 | 周鑫 | 李鹏 | 包承奇 | 杨聚华
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