《TRENDS IN FOOD SCIENCE & TECHNOLOGY》:A Multi-Channel Data Fusion-Enabled Multilevel Graph-Guided Framework for Fault Diagnosis in Rotating Machinery under Extreme Biased Data
编辑推荐:
本文聚焦旋转机械在极端数据不平衡(Extreme Biased Data)条件下的故障诊断难题。针对传统单通道信号忽略多传感器互补信息、以及数据偏斜导致模型监督不足的核心瓶颈,研究团队创新性地提出了一种多通道数据融合的多级图引导诊断框架(MSGFD)。该框架通过新颖的预处理将多通道信号转换为RGB图像,构建包含四种拓扑的MultiGraph以捕获判别性信息,并设计了融合Graph MLP与Graph Transformer的多级特征学习架构,同时引入基于深度散度的聚类(DDC)损失来增强类间可分性。在多个数据集上的实验验证了该方法的鲁棒性和优越性,为工业设备智能运维提供了新思路。
想象一下,维系现代工业命脉的旋转机械——从风力发电机的齿轮箱到高铁的转向架——一旦发生故障,轻则停工停产,重则引发安全事故。因此,对其健康状态进行精准、及时的监测与诊断至关重要。随着人工智能技术的发展,基于机器学习和深度学习的故障诊断方法已成为研究热点。然而,现实很“骨感”:一方面,旋转机械绝大部分时间正常运行,故障样本稀少且各类故障样本数量严重不均,形成所谓的“极端数据不平衡(Extreme Biased Data)”场景,这让依赖大量均衡数据训练的模型“巧妇难为无米之炊”;另一方面,大多数现有方法仅处理单一传感器的信号,如同“管中窥豹”,无法全面捕捉复杂机械系统的多维动态信息。如何有效融合多通道传感器数据,并在极端不平衡的数据条件下,仍能实现高精度、鲁棒的故障诊断,是当前工业人工智能领域亟待突破的瓶颈。
为了解决上述挑战,来自意大利米兰理工大学的研究团队Yue Yu, Hamid Reza Karimi, Pradeep Kundu, Enrico Zio和Ke Feng在《Information Fusion》期刊上发表了一项创新性研究。他们提出了一种名为“多通道数据融合赋能的多级图引导诊断框架(Multi-channel data fusion-enabled Multilevel Graph-guided Framework for Diagnosis, MSGFD)”。该研究旨在充分利用多传感器信息,并设计能够适应极端数据不平衡条件的智能诊断模型,以提升旋转机械故障诊断的准确性与可靠性。
为了达成研究目标,作者团队主要运用了几项关键技术方法:首先,他们设计了一种高效的数据预处理策略,将原始的多通道一维振动信号无需依赖专家经验地转换为RGB格式的时间-频率图像,以同时表征时频特征并克服信息不足的问题。其次,他们提出了一个MultiGraph生成机制,通过整合K近邻图(KNNGraph)、余弦相似度图(COSGraph)、最小生成树图(MSTGraph)和距离图(MDGraph)四种不同的图拓扑,来构建能够捕获判别性和互补性故障信息的图结构数据。接着,研究团队开发了特征归纳学习(Feature Inductive Learning, FIL)模块,以消除多通道RGB图像的异质性并探索共同特征空间。在此基础上,他们设计了一个多级学习架构,融合了图多层感知机(Graph MLP)和图变换器(Graph Transformer),用以联合建模局部与全局特征依赖关系。此外,为了应对极端不平衡场景下监督信号匮乏的挑战,他们在模型训练中引入了基于深度散度的聚类(Deep Divergence-based Clustering, DDC)损失,以增强模型所学习特征的类间分离度和类内紧凑性。实验数据来源于四个公开的旋转机械数据集,包括北京交通大学提供的BJTU-RAO齿轮箱数据集、澳门大学的GearEccDataset齿轮偏心数据集、哈德斯菲尔德大学的电机运行条件(MOC)数据集以及一个自行构建的轧机实验平台数据集。
研究结果
- •
整体框架有效性验证:如论文图4所示,研究者提出了完整的MSGFD框架,包含数据预处理、MultiGraph生成、特征归纳学习、全局与局部特征融合以及最优故障诊断五个核心模块。在四个案例研究的十二项极端不平衡数据任务中,MSGFD取得了平均95.4%的诊断准确率,显著优于其他五种先进的对比方法,证明了其整体设计的优越性。
- •
MultiGraph构建与特征学习的优势:研究通过图6和图7-8详细阐述了MultiGraph的四种拓扑构建方式以及特征归纳学习(FIL)模块的工作原理。FIL模块通过一个可学习的投影矩阵,将多通道的异构特征映射到一个共享的潜在空间,有效缓解了通道间的特征竞争问题,从而提取出更具代表性和信息量的特征。
- •
全局与局部特征融合(GLFF)模块的作用:如图9和图10所示,GLFF模块创新性地结合了Graph MLP和Graph Transformer。Graph MLP侧重于捕捉节点与其近邻的局部特征,而Graph Transformer则利用自注意力机制建模样本间的长程全局依赖关系。这种融合使得模型能够同时利用局部细节和全局上下文信息,增强了特征的鲁棒性和表征能力。
- •
深度散度聚类(DDC)损失的效果:如图12所示,引入的DDC损失由柯西-施瓦茨散度、几何约束和正交性约束三部分组成。该损失函数旨在直接优化特征空间的结构,迫使不同类别的样本彼此远离(类间分离),而同一类别的样本相互靠近(类内紧凑)。如图24的t-SNE可视化结果所示,使用DDC损失后,不同故障类别在特征空间中的聚类边界更加清晰,混淆显著减少,定量指标也显示其提升了类间分离度和类内紧凑性。
- •
在多种数据集上的普适性证明:研究在BJTU-RAO(9类故障)、GearEccDataset(11种偏心程度)、MOC(6种健康状态)和轧机(4种轴承故障)四个差异化的数据集上进行了广泛验证。如表6所示,MSGFD在所有这些数据集及不同的不平衡比例(0.1, 0.2, 0.3)下,均取得了最佳或接近最佳的性能,展示了其强大的泛化能力和对不同故障类型、工作条件的适应性。
研究结论与意义
本研究成功开发并验证了MSGFD这一针对极端数据不平衡场景的多通道旋转机械故障诊断新框架。该研究的核心贡献与重要意义体现在以下几个方面:
首先,方法论上的创新:研究超越了传统单通道或简单融合的方法,系统性地构建了一个从多通道数据预处理、到基于多图拓扑的特征学习、再到融合局部与全局信息的诊断模型完整技术链条。特别是将Graph MLP与Graph Transformer进行协同设计,以及引入DDC损失进行端到端的特征空间正则化,为处理非欧几里得数据(如图数据)下的不平衡分类问题提供了新的思路和工具。
其次,对实际工程难题的针对性解决:MSGFD直接面向工业现场“故障样本少、数据不平衡”这一严峻挑战。其提出的数据预处理方法降低了对专家经验的依赖,MultiGraph和FIL模块增强了对有限故障样本的信息挖掘能力,DDC损失则有效弥补了监督信号的不足。这使得该方法在数据稀缺条件下仍能保持高诊断性能,更贴近工业应用的实际需求。
最后,显著的性能提升与广泛适用性:大量实验表明,MSGFD在多种旋转机械故障诊断任务中,其准确率、鲁棒性和泛化性均优于现有的先进方法。这不仅为旋转机械的智能运维提供了切实有效的技术方案,其核心思想也可迁移至其他存在数据不平衡和多源信息融合需求的工业设备健康管理领域,具有重要的理论价值与广阔的工程应用前景。
该研究的源代码已公开,促进了该领域研究的可重复性与进一步发展。