一种基于前门调整的跨组件少样本学习故障诊断方法,该方法考虑了不可观测的混杂因素

《Engineering Applications of Artificial Intelligence》:A front-door adjustment based cross-component few-shot learning fault diagnosis approach considering unobservable confounders

【字体: 大 中 小 】 时间:2025年12月13日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  本文提出基于前向门调整的FroDa ProNet模型,解决跨组件故障诊断中不可观测混淆变量问题,通过原型网络生成中介变量控制因果路径,有效消除隐蔽偏置并提升小样本场景下的诊断精度与鲁棒性。

  
工业设备故障诊断领域近年来的研究重点逐渐转向如何利用有限样本构建可靠的诊断模型。传统深度学习方法虽然能通过端到端训练捕捉设备振动信号的复杂特征,但其在面对跨组件故障诊断任务时面临显著挑战。例如,当诊断齿轮箱与轴承两种不同机械组件的故障时,由于不同部件的工作环境、结构参数存在本质差异,直接迁移训练好的模型往往导致诊断准确率大幅下降。这种跨组件诊断的困境,本质上源于混杂因素对特征提取和诊断决策的双重干扰。

现有少样本学习方法在工业故障诊断中主要存在两个技术瓶颈:首先,基于数据增强的方法虽然能缓解样本不足问题,但物理设备的高维振动信号特征空间中,简单的数据扩充难以有效模拟不同工况下的信号分布差异;其次,传统原型网络虽然通过聚类均值实现快速分类,但未考虑因果链中的混杂因素干扰,导致特征提取与分类决策之间存在隐含的因果关系断裂。这种缺陷在跨组件诊断场景尤为突出,因为不同机械组件的振动信号特征空间存在显著偏移,传统方法难以建立稳定有效的因果推断路径。

针对上述问题,该研究创新性地将因果推断理论的前门调整机制与原型网络架构相结合,构建了FroDa ProNet新型诊断框架。其核心突破在于建立了"特征提取-因果干预-原型匹配"的三阶段协同机制:在特征提取阶段,通过自监督的深度神经网络对输入振动信号进行降维和特征重构,确保提取的特征具有最大程度的物理可解释性;在因果干预阶段,引入具有观测价值的中间变量(原型向量),通过前门调整框架有效隔离不可观测混杂因素(如设备老化、环境温湿度波动等)对诊断决策的干扰;最终在原型匹配阶段,利用改进的欧氏距离度量机制实现跨组件的稳定分类。

该方法的创新性体现在三个关键维度:首先,构建了可观测的中介变量生成机制。通过原型网络对支持集样本进行聚类分析,生成每个故障类别的中心向量(原型向量)。这种设计不仅继承了传统原型网络在少样本场景下的优势,更重要的是将原型向量转化为前门调整理论中的关键观测变量。实验证明,这种中介变量的引入能有效阻断不可观测混杂因素对诊断结果的影响路径。

其次,设计了双路径因果干预机制。在特征空间层面,通过引入可解释的因果图结构,明确划分特征生成路径(X→M)和决策干预路径(M→Y)。这种结构设计使得模型既能学习到具有物理意义的故障特征模式,又能通过前门调整方程对混杂因素进行动态屏蔽。特别地,当遇到跨组件诊断时,系统会自动调整特征空间映射关系,确保不同组件间的诊断标准具有一致性。

最后,建立了基于动态原型匹配的分类决策模型。在传统原型网络中,分类决策仅依赖静态的聚类中心向量。本研究通过引入前门调整模块,使原型向量能够根据当前样本的因果特征进行自适应调整。这种动态原型机制不仅能有效应对不同工况下的信号特征偏移,还能在跨组件诊断时保持特征空间的相对一致性。实验表明,该机制可使分类准确率提升15%-30%,尤其在样本量低于50时效果更为显著。

从技术实现层面,该模型创新性地融合了三个核心模块:1)基于注意力机制的特征提取模块,通过自适应权重分配捕捉关键故障特征;2)多尺度原型生成网络,能够根据样本数量动态调整聚类粒度;3)因果干预控制单元,通过建立混杂因素与原型向量之间的关联模型,实现实时干扰屏蔽。这三个模块的协同工作,使得模型在以下关键场景中表现突出:当新故障类型首次出现时(0样本学习),当不同产线设备存在差异时(跨产线诊断),以及面对突发性环境干扰时(如温度骤变)。

实验验证部分采用四个典型工业数据集进行对比测试:1)康涅狄格大学齿轮驱动数据集(含16种故障类别),2)卡内基梅隆大学轴承数据集(涵盖12种故障模式),3)实验室自主采集的液压泵振动数据(包含5种健康状态),4)混合组件诊断数据集(齿轮+轴承联合故障)。在少样本设置下(支持集样本量k=5-20),FroDa ProNet在跨组件诊断任务中展现出显著优势:在轴承-齿轮联合诊断场景中,分类准确率从传统原型网络的68%提升至82%;在零样本学习(k=0)情况下,通过迁移学习模块仍能保持75%以上的诊断准确率,这远高于当前基于对比学习的少样本方法(通常低于60%)。

值得注意的是,该模型在处理不可观测混杂因素时表现出独特优势。实验设计特别引入了设备老化程度、安装偏移量等难以量化的混杂因素,通过模拟不同老化阶段的振动信号扰动,验证了模型的鲁棒性。当设备老化导致特征分布偏移达30%时,传统方法准确率下降至52%,而FroDa ProNet仍能保持78%的稳定性能,这主要得益于前门调整机制通过原型向量建立稳定的因果传导路径。

在工程应用层面,该研究提出了可扩展的部署方案。通过模块化设计,原型网络部分可与现有工业振动采集系统无缝对接,而前门调整模块则可独立部署在边缘计算设备上。实际测试表明,在设备联网(IoT)场景中,模型可实现每秒2000次以上的实时诊断,推理延迟控制在50ms以内,满足工业4.0时代对诊断系统实时性的严苛要求。

理论贡献方面,研究首次将前门调整理论与原型网络架构进行深度融合。通过建立"观测特征→可解释中介→决策输出"的因果链,既解决了传统方法中混杂因素干扰的问题,又保持了原型网络在少样本场景下的高效分类特性。这种理论创新为因果推理指导下的机器学习模型设计提供了新的方法论框架,特别是在工业设备多场景自适应诊断领域具有重要理论价值。

未来研究可沿着三个方向深化:首先,探索动态因果图建模方法,以应对设备运行过程中混杂因素的非静态特性;其次,开发轻量化边缘计算版本,满足工业现场对计算资源的高度约束;最后,将该方法扩展到多模态数据融合场景,例如结合红外热成像与振动信号实现更全面的故障诊断。这些发展方向将进一步提升该模型在复杂工业环境中的实用价值,推动因果推理与少样本学习在智能制造领域的深度融合应用。
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