在数据不平衡且存在缺失值的情况下,利用跨传感器协同蒸馏技术结合动态竞争力平衡机制进行故障诊断

《Neurocomputing》:Cross-sensor collaborative distillation with dynamic competitiveness balancing for fault diagnosis under imbalanced missing data

【字体: 大 中 小 】 时间:2026年03月24日 来源:Neurocomputing 6.5

编辑推荐:

  不平衡缺失数据下的多传感器协同蒸馏与动态竞争力平衡框架提升了驱动电机故障诊断的准确性和鲁棒性,通过信号层对齐和语义层分布校准实现跨传感器知识共享,并基于学习进度自适应调节传感器贡献权重。

  
滕振鹏|易晓健|王彪
北京工业大学机电工程学院,北京,100081,中国

摘要

多传感器故障诊断经常面临数据缺失率不平衡的问题,这可能导致学习过程偏向于数据更完整的传感器,从而降低诊断性能。本文提出了一种具有动态竞争力平衡功能的跨传感器协同蒸馏框架来解决这一问题。该框架通过信号层逻辑回归对齐和语义层原型及分布匹配来传递共享的诊断知识,同时通过基于相对学习进度的竞争性平衡机制在训练过程中动态调节传感器的贡献。通过抑制低缺失率传感器的主导地位并防止高缺失率传感器被边缘化,所提出的方法实现了多传感器表示学习的平衡。在驱动电机故障诊断数据集上的实验表明,与现有方法相比,在均匀和非均匀数据缺失条件下,该方法的准确性和鲁棒性得到了提升。

引言

作为电力传输系统的基本子系统,驱动电机正逐步向更高的安全性、可靠性和智能化发展[1]、[2]。为了确保在复杂运行环境中的任务成功执行,驱动电机集成了多种传感器,以便实时监测关键状态指标,如绕组温度、轴承振动和绝缘电压,这些指标还可以从多传感器测量中估计出关键运行和健康相关变量[3]、[4]。一旦发生故障,不仅会导致电力传输性能显著下降,还可能导致车辆故障,从而带来严重的安全隐患[5]、[6]。因此,开发精确有效的故障诊断技术对于保障驱动电机的正常运行和提高其整体可靠性至关重要。
在过去十年中,工业信息学的进步促进了振动、温度和压力等多种传感器的广泛应用,从而能够实时全面地评估关键部件和系统的服务状况[7]、[8]。与此同时,深度学习模型作为多传感器融合故障诊断的关键方法脱颖而出,因其卓越的非线性表示学习能力而受到重视[9]、[10]、[11]。例如,魏等人[12]提出了基于多头自注意力和多传感器深度特征融合网络的故障诊断模型。金等人[13]引入了一种结合新型核运算、传感器优先级评估和传感器故障相关性的多传感器融合故障诊断方法。徐等人[14]构建了一个基于深度学习和多传感器特征融合的新型集成智能故障诊断模型。
高质量的多传感器数据集是确保基于深度学习的电机故障诊断方法诊断准确性的基础[15]、[16]。但在实际的工业应用中,由于复杂的运行条件、变化的环境、传感器老化等因素,监控系统收集的多传感器数据不可避免地存在漂移、丢失、突变或缺失值等缺陷[17]。在故障诊断算法中使用低质量的多传感器数据会削弱诊断的鲁棒性,导致准确性下降和算法可能出错。为了应对这一挑战,研究人员专注于解决多传感器融合中的数据缺失问题。例如,孙等人[18]提出了一种用于不完整多源数据故障诊断的小波驱动融合与重建网络。Kavianpour等人[19]开发了一种基于图卷积的类对齐方法,用于在数据缺失和变化条件下进行轴承故障诊断。Ou等人[20]引入了一种具有自适应学习功能的基于位置编码的去噪自动编码器,用于工业过程中的数据缺失填充。在上述研究中,重建网络整合了物理约束和特征相关性建模,有效减轻了缺失和异常数据对诊断性能的影响,同时避免了对额外结构或辅助数据的依赖。
尽管现有方法在处理数据缺失方面取得了令人鼓舞的进展,但仍存在一些需要解决的显著缺点,总结如下。
  • 1)
    这些方法忽略了模型对低缺失率传感器主导地位的敏感性,导致跨传感器特征提取不平衡和诊断准确性降低。在融合过程中,低缺失率传感器往往会削弱其他传感器的贡献,从而造成特征表示的不平衡。此外,尽管不同传感器可以在时间、频率和空间维度上提供互补信息,但缺乏明确的跨传感器交互机制阻碍了充分的信息交换。因此,诊断结果可能不完整且不准确。因此,需要一个能够抑制低缺失率传感器过度主导的跨传感器网络,以确保在数据缺失条件下的准确故障诊断。
  • 2)
    这些方法没有评估高缺失率传感器在与低缺失率传感器共存时面临的边缘化风险。具体来说,缺乏有效的评估机制导致高缺失率传感器在优化过程中没有得到充分考虑,从而无法在其相对重要性和低缺失率传感器之间实现适当的平衡。这种限制使得高可靠性传感器的主导地位持续存在,进一步边缘化了低可靠性传感器的贡献,最终损害了跨传感器学习的公平性和诊断模型的整体鲁棒性。因此,需要一种评估每个传感器相对竞争力并动态平衡学习率的技术,以改善在数据缺失率不平衡条件下的诊断鲁棒性。
  • 为了克服上述挑战,本文提出了一种基于动态竞争力平衡的跨传感器协同蒸馏网络框架,用于在驱动电机数据缺失率不平衡的情况下进行故障诊断。该框架由两个独特部分组成:跨传感器协同蒸馏网络和动态竞争力平衡机制。前者通过信号层特征对齐模块和语义层分布校准模块将多传感器知识直接传递给单传感器模型,实现多传感器故障特征的平衡学习。后者通过动态竞争力和正则化约束动态调整低缺失率传感器的知识传递权重,从而抑制优秀传感器的主导效应,并平衡不同缺失率单传感器的学习速度。该方法在电机故障模拟的多传感器数据集上得到了验证,证明了其有效性。主要贡献总结如下。
  • 1)
    构建了一个跨传感器协同蒸馏网络,以减轻低缺失率传感器的主导地位,实现多传感器特征学习的平衡。该网络通过信号层的时间特征对齐和语义层的分布校准将多传感器知识传递给单传感器模型,从而实现更全面和稳健的特征表示。因此,所提出的网络抑制了低缺失率传感器的主导地位,确保了高缺失率传感器的公平参与,并在数据不平衡条件下提高了诊断准确性和鲁棒性。
  • 2)
    设计了一种针对异构传感器的动态竞争力平衡机制,以减轻高缺失率传感器的边缘化问题,并恢复多传感器学习的平衡。该机制通过基于任务和梯度的正则化评估每个传感器的相对竞争力,并动态平衡它们的学习率。因此,该机制抑制了低缺失率传感器的过度主导地位,确保了高缺失率传感器的有效参与。
  • 3)
    建立了一个针对驱动电机的智能诊断框架,系统地将跨传感器协同蒸馏网络与异构传感器的动态竞争力平衡机制相结合。通过平衡的知识传递和适应性竞争力调节,所提出的框架确保了在数据缺失条件下的全面和稳健的故障表示。此外,还设计了故障模拟实验,并通过消融研究和与最先进方法的比较分析验证了该框架的优越性。
  • 本文的其余部分结构如下:第2节回顾相关工作,第3节介绍所提出的框架及其关键技术,第4节报告实验结果和比较分析,第5节总结全文。

    节选内容

    不完整的多传感器信息

    数据驱动的智能方法,特别是深度学习,在多个领域取得了显著的成功[21]、[22]、[23],但在现实世界场景中,数据不完整仍然是一个常见且持续存在的挑战。当数据因关键特征缺失或样本信息不完整而变得不完整时,模型训练过程可能会过度依赖有限的有效信息,由于数据表示的偏性,最终导致智能网络无法

    基于动态竞争力平衡的跨传感器协同蒸馏框架用于驱动电机故障诊断

    在驱动电机故障诊断的实际场景中,故障样本经常存在数据缺失的问题。此外,由于不完整程度的不同,不同的监测传感器可能表现出显著不同的数据缺失率。因此,在数据缺失率不平衡的情况下研究多传感器融合模型对于关键电机的故障诊断具有重要意义。然而,现有的多传感器融合诊断模型尚未充分考虑这种不平衡

    数据采集和网络配置

    为了验证所提出的基于动态竞争力平衡的跨传感器协同蒸馏故障诊断框架的有效性,设计并进行了故障模拟实验。实验数据来自图4所示的电机平台,其中收集了多源传感器信号,以表征不同的电机健康状况。采样频率设置为25.6 kHz,涵盖10个信号通道,包括三轴加速度信号

    结论

    本文提出了一种基于动态竞争力平衡的跨传感器协同蒸馏故障诊断框架,用于缓解多传感器学习不平衡问题,并提高在数据缺失率不平衡情况下驱动电机的诊断性能。首先,构建了一个跨传感器协同蒸馏网络。在信号层进行时间特征对齐和点对点逻辑回归对齐,在语义层进行原型匹配和概率

    CRediT作者贡献声明

    滕振鹏:撰写——原始草案,项目管理,方法论,研究。易晓健:撰写——审稿与编辑,方法论,研究,资金获取,概念化。王彪:撰写——审稿与编辑,监督,项目管理,方法论。

    利益冲突声明

    作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

    致谢

    本研究得到了中国国家重大工程项目的支持。
    滕振鹏于2023年在中国郑州的郑州大学获得了测量与控制技术及仪器专业的学士学位。他目前在北京工业大学机电工程学院攻读武器科学技术的博士学位。他的研究兴趣包括特殊车辆的智能操作与维护技术和智能故障诊断。
    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