先验分布引导的解耦自编码器用于可变运行条件下的异常检测

《Engineering Applications of Artificial Intelligence》：Prior distribution-guided disentanglement autoencoder for abnormal detection under variable operating conditions

　　

摘要

本文提出了一种基于解耦学习的异常检测方法，以解决机械健康监测中工况（OC）干扰的挑战。该方法首先利用三元互信息理论分析和解耦工况、健康状态与监测信号之间的耦合关系。基于互信息的变分估计，推导出一种先验引导的解耦损失函数。设计了一种具有双编码器结构的解耦自编码器，用于学习对工况不变的特征表示空间。通过计算当前状态与基线正常状态之间在该空间中的Wasserstein距离，构建最终的可靠性指标。此外，采用具有99.7%置信水平的核密度估计来自适应确定告警阈值。在两组轴承加速退化数据集上的实验结果表明，所提方法有效抑制了工况变化对健康状态评估的干扰。与现有方法相比，所提的先验分布引导解耦自编码器实现了更及时、更精确的异常检测。该方法有效地将人工智能技术应用于异常检测，提升了机械系统异常检测的智能化和可靠性水平。

引言

新一轮技术革命和工业转型正推动机械设备向更高层次发展。风力涡轮机、数控机床和高速列车是现代工业系统中的关键组成部分。其精度、集成度和智能化水平是衡量一个国家制造能力的重要指标（Moradi et al., 2026; Zhou et al., 2024）。当前，随着工况日益复杂和工作环境越来越严苛，机械系统的故障风险被大幅放大，给设备的安全稳定运行带来了严峻挑战。预测与健康管理（PHM）已成为保障先进机械装备可靠运行的关键技术途径（Zhuang et al., 2024）。作为PHM系统的首要环节，异常检测致力于实时捕捉运营状态的细微偏差，并识别其是否偏离预定义的健康基线（Zhang et al., 2025a）。高精度和高可靠性的异常检测模型是后续任务（如有效寿命预测和维护策略制定）的必要前提。此外，检测模型在保障运行安全和优化全生命周期维护成本方面也发挥着至关重要的作用（Zhou et al.）。

现有的异常检测方法可分为两大类：基于知识和基于数据的方法（Yang et al., 2025）。传统的基于知识的方法本质上依赖于领域专业知识或既定物理原理来构建检测模型（Han et al., 2025）。这些方法通常从传感器信号中提取手工特征，如均方根值、故障特征频率和信息熵，然后基于这些特征建立判别规则（Rohan et al., 2025）。尽管这些方法在某些特定场景下表现良好，但它们严重依赖专家知识，导致模型泛化能力较差。近年来，传感器技术的进步和大量监测数据的积累催生了基于数据的方法（Zhang et al., 2024）。这些方法旨在通过学习历史监测数据中隐藏的正常模式来构建智能检测模型，例如孤立森林（Mi et al., 2023）和单类支持向量机（OC-SVM）（Saari et al., 2019）。其核心优势在于不依赖于复杂的领域知识，而是从数据中自主学习。因此，基于数据的方法具有更强的普适性和可迁移性，这显著减少了对领域专家的依赖，并为复杂工业系统中的异常检测提供了更加灵活高效的解决方案。

在基于数据的方法的技术框架内，无监督学习方法适用于设备状态监测任务，因为它们避免了对故障样本的依赖（Chen et al., 2025a）。早期研究主要采用传统聚类算法（Zhou et al., 2022; Qian et al.a），如K-means和模糊C-means，通过测量特征空间中数据点的分布距离来实现异常识别。尽管这些方法简单有效，但处理高维、非线性数据的局限性限制了它们在复杂工况下的检测性能。近年来，深度学习理论的成熟为突破上述局限提供了关键机遇。深度神经网络，尤其是自编码器（AE）（Gbashi et al., 2025）和生成对抗网络（Liu et al., 2024）等模型，能够通过多层非线性变换自动学习数据中复杂的底层结构和高维特征表示。这种强大的表示学习能力使其在异常检测中的应用从计算机视觉、医学诊断等领域迅速扩展到金融风控和工程监测等领域（Qian et al.b）。这些方法均展现出相较于传统方法的显著改进。

因此，基于深度学习的异常检测已成为PHM领域的研究热点。例如，Xia等人（2024）提出了一种可解释的基于时间退化状态链的融合图模型，用于追踪退化轨迹并实现精确的异常检测。Guo等人（2024）采用带有卷积块注意力模块的双通道Transformer来构建健康指标（HI）并提取多域特征，随后利用3σ准则识别初始故障点。为获得更可靠的HI，Xu等人（2023）设计了一种尺度多头注意力自动编解码器，从无监督方式中提取原始监测数据的多尺度特征。

无监督异常检测的原理基于一类学习范式（Pu et al., 2024）。该范式认为，可以仅使用从健康状态下的机械设备获取的监测数据来训练深度表示模型，该模型能够精确刻画该健康数据的底层分布。一旦建立该健康基线模型，设备退化的定量评估（即HI）可通过两条主要技术路径来实现：

1）基于重构误差的路径（Chen et al., 2025b）：该路径的核心假设是模型对遵循健康数据分布的数据具有最优重构能力。因此，输入样本与其健康基线模型的重构之间的偏差直接量化了偏离健康状态的程度，从而可以实现异常检测。

2）基于潜在空间特征的路径（Qin et al., 2022）：该路径关注由基线模型编码器生成的低维潜在表示，这些表示被视为输入数据的最本质特征。通过对这些潜在特征表示进行统计分析，可以构建更敏感、更鲁棒的退化评估指标。

在实现上述两条路径的众多深度学习架构中，具有对称编解码器结构的AE与重构和表示学习的双重任务相契合（Chen et al., 2025c）。因此，AE已成为实现无监督异常检测的基础和主流架构。此外，AE的变体，如变分自编码器（VAE）（Qin et al., 2022），因其概率分布建模方面的优势，在异常检测领域也得到了广泛研究和应用。

上述无监督异常检测方法基于一个理想化的核心假设，即监测数据分布的变化仅且直接源于设备自身的性能退化。该假设使这些方法在受控环境下（如恒定工况下）表现优异。然而，在现实工业场景中，机械设备的工况（如转速、扭矩和载荷）往往因任务需求变化或外部环境波动而呈现复杂的变动。例如，高速列车穿越平原、丘陵和山地，通常会频繁调速。这些运行变化引起的数据分布偏移与设备异常引起的分布变化高度耦合和混淆。因此，现有模型难以解耦这两种变化来源，降低了其在变工况下的检测性能。为应对这一问题，Zhou等人（2023）设计了一种特征解耦条件VAE，融合了工况信息和对抗学习，以减轻时变条件对健康评估的影响。Zhu等人（2025）开发了一种带有自监督预训练和微调策略的深度注意力卷积自编码器（CAE），用于完成变工况下滚动轴承的异常检测任务。相关工作中，Chen等人（2026）设计了时频感知特征解耦框架，通过两个模块的协同实现了对非平稳特征的准确感知和故障类别的鲁棒识别。这些方法通常通过VAE框架的自解耦特性或多个网络模块的协同学习来实现特征解耦，但它们缺乏先验信息的显式引导，难以精确学习条件相关或退化相关的特征表示。因此，一个关键挑战在于如何建立一个具有先验信息的表示学习框架，将工况相关信息与退化信息进行分离，从而在动态环境中准确评估设备的实际运行状态。

本文提出了一种基于特征解耦的数据驱动方法，以减轻变工况对机械设备异常检测的干扰。该方法旨在从监测数据中将工况相关特征与健康状态相关特征分离，消除运行变化对异常检测的负面影响。当设备处于相同运行状态时，工况变化引起的数据分布变化与健康状态引起的变化是独立的。因此，可以通过最大化工况特征与健康状态特征之间的独立性来建立明确的优化目标。由于互信息（MI）是量化随机变量之间依赖性的有效数学工具，本研究基于互信息构建了一种面向工况的异常检测框架。基于三元互信息理论，推导出了一个等价的总体目标函数，用于最小化工况特征与健康状态特征之间的依赖性。在该目标函数的引导下，设计了一种先验分布引导解耦自编码器（PDGDAE），用于学习一个与工况独立的潜在特征空间。通过利用该空间中提取的潜在特征，可以构建一个鲁棒的HI，最终实现设备运行状态的工况不变异常检测。本文的主要贡献总结如下：

1）基于三元互信息理论推导了工况相关特征、健康状态相关特征与监测数据之间的关系。根据该理论基础，基于工况先验分布和退化过程先验分布，设计了一种先验分布引导的特征解耦损失函数。

2）提出了一种先验分布引导解耦自编码器（PDGDAE）。该模型能够从监测数据中学习条件不变的潜在特征空间，抑制工况变化对运行状态表示的干扰。

3）通过PDGDAE和Wasserstein距离（WD）构建了HI，以反映设备的运行状态。随后，在两组变工况下全生命周期加速退化的轴承数据集上，验证了所提方法的异常检测有效性。

本文其余部分安排如下。第2节阐述了所提出的PDGDAE以及变工况下的异常检测方法。第3节的对比实验验证了所提方法的有效性。最后，第4节对本文进行了总结。

所提方法

在实际工业场景中，从传感器获取的监测数据编码了系统的内部退化状态，并包含特定于其工况的详细信息。因此，时刻t采集的监测数据M(t)可以建模为复杂非线性耦合函数的输出：

M(t) = f(D(t), O(t))

其中D(t)是设备在时刻t的潜在退化状态，通常不可观测。理论上，该潜在特征应逐渐且

数据描述

变工况下的监测数据由轴承加速退化试验平台采集。如图3所示，试验平台由驱动电机、轴承壳体、轴向和径向加载的机电执行器以及集中控制系统组成。在本研究的轴承加速寿命试验中，采用了6204深沟球轴承。具体而言，该轴承的内径为20 mm，外径为47 mm，宽度为14 mm，动载荷为

结论

本文提出了一种先验分布引导解耦自编码器，以解决变工况下机械设备异常检测面临的挑战。

基于互信息理论，通过探索健康状态、工况与监测数据之间的内在关系，构建了一个退化特征解耦损失函数。设计了对应的 PDGDAE，以实现状态相关健康特征与工况干扰特征的有效解耦。

CRediT 作者贡献声明
周江红：撰写 – 初稿，软件，方法，数据管理。
秦毅：撰写 – 审阅与编辑，方法，形式分析，概念化。

利益冲突声明
作者声明他们不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢
本文受国家自然科学基金（编号 52575099）和重庆市自然科学基金（编号 CSTB2025NSCQ-LZX0016）支持。

周江红 | 秦毅