面向数据稀缺条件下故障诊断的物理引导的基于图的信息表示框架

《Advanced Engineering Informatics》:A physics-guided graph-based information representation framework for fault diagnosis under data-scarce conditions

【字体: 大 中 小 】 时间:2026年09月29日 来源:Advanced Engineering Informatics 11.5

编辑推荐:

   # 摘要 涡旋压缩机作为压缩系统的核心组件,其可靠性对于确保系统稳定运行至关重要。尽管深度学习在故障诊断方面已展现出强大的性能,但其有效性往往受到数据强依赖和数据稀缺条件下鲁棒性不足的制约。为克服这些局限性,本文提出了一种面向数据稀缺故障诊断的物理引导图表示框架。具体而言,

  

# 摘要

涡旋压缩机作为压缩系统的核心组件,其可靠性对于确保系统稳定运行至关重要。尽管深度学习在故障诊断方面已展现出强大的性能,但其有效性往往受到数据强依赖和数据稀缺条件下鲁棒性不足的制约。为克服这些局限性,本文提出了一种面向数据稀缺故障诊断的物理引导图表示框架。具体而言,通过快速傅里叶变换(FFT)和平稳小波变换(SWT)提取的互补频谱和瞬态特征,根据其描述故障诱发振动响应的不同作用进行组织,从而构建保持物理驱动结构关系的物理引导图表示,以供后续图表示学习使用。在此基础上,开发了时空位置图卷积网络(TSP-GCN)进行图表示学习。该模型通过集成图卷积、可学习位置编码(LPE)和Transformer编码,有效捕捉长距离依赖和动态时间变化。在兰州理工大学涡旋压缩机数据集以及西安交通大学两个公开基准数据集上的实验结果表明,所提方法在数据稀缺条件下取得了具有竞争力的诊断性能。特别地,该方法在兰州理工大学涡旋压缩机数据集上达到了98.70%的准确率,同时保持相对紧凑的5.32 MB模型大小。在两个公开基准数据集上的结果进一步表明,所提框架在不同机械数据集和数据可用性条件下均能保持具有竞争力的诊断性能。

# 引言

现代信息技术的融合正推动时变条件下的复杂机械系统向更绿色、更智能和更可持续的方向发展[1]。在这些系统中,涡旋机械凭借其高效率、紧凑结构和稳定的运行特性,已广泛应用于制冷、空调和能量转换领域。随着工业设备日益精密化,对系统安全性、运行稳定性和实时健康监测提出了更高的要求[2]。在此背景下,涡旋压缩机的运行状态对于确保系统可靠性起着决定性作用,因为意外故障可能导致大量停机时间、维护成本,甚至级联系统关闭[3]。因此,开发能够快速准确识别涡旋压缩机故障的诊断方法对于实现预防性维护和保证系统稳定运行至关重要,需要进一步的探索和研究。

计算能力和深度学习的最新进展突显了数据驱动故障诊断方法在准确性和鲁棒性方面的优势[4]。特别是,深度学习在自动特征提取[5]和故障模式识别[6]方面展现出优越性。例如,卷积神经网络(CNNs)通过多层卷积、注意力机制[7]和池化操作有效提取振动信号的时空特征,从而实现更精确的故障类型识别[8]。例如,Kiranyaz等人[9]提出了一种基于自适应卷积神经网络的模块化多电平换流器(MMC)电路早期故障检测和识别系统,取得了出色的分类性能。类似地,Han等人[10]开发了一种改进的深度置信网络模型用于齿轮故障检测,达到了较高的诊断准确率。此外,时频分析[11]作为传统信号处理技术,可补充深度学习模型处理复杂信号特征[12]。通过提取额外的时频信息层,该方法进一步增强了深度学习模型的诊断性能。因此,数据驱动故障诊断方法通过其自动特征提取和模式识别能力,已成为克服这些挑战的有效手段,从而为涡旋压缩机故障诊断提供了创新解决方案。然而,数据隐私、安全性、设备多样性以及生产干扰等因素使得故障数据的采集和标注极其困难,导致数据稀缺。这种数据稀缺与样本不平衡[13]相结合,阻碍了现有方法充分满足应用需求的能力。然而,大多数深度学习模型依赖于大规模标注数据集,在数据有限和运行条件变化时无法保持诊断稳定性。

为解决数据稀缺问题,研究人员提出了迁移学习[14]、小样本学习[15]和生成对抗网络(GANs)[16]等方法。这些方法通过融入先验知识或增强数据多样性来优化深度学习算法,从而在有限样本条件下提高诊断准确率和鲁棒性。例如,Cheng等人[17]提出了一种时频预测自监督学习框架TFPred,从无标签故障数据中提取潜在故障表示,并在使用仅1%和5%标注数据的情况下取得了具有竞争力的性能。类似地,Xie等人[18]提出了一种半监督图诊断方法,通过多尺度邻域聚合和特征融合利用无标签样本,在极其有限的标签条件下改进了故障诊断。此外,Chu等人[19]利用混合网络提取多层潜在特征,并设计了一种一致性正则化方法以增强这些特征与无标签数据之间的信息共享,从而促进信息传输和加速训练。此外,Wang等人[20]开发了一种脉冲信息增强的半监督学习(IESSL)模型,该模型融入了基于故障相关脉冲知识的编码器模块,从大量无标签数据中构建无监督特征,从而提高了有限标注数据下的故障诊断能力。此外,Zeng等人[21]提出了一种元学习方法用于电机滚动轴承故障分类,分析了深度残差收缩网络提取的重要特征与建立的故障原型之间的邻近度。类似地,Su[22]提出了一种开放集半监督学习(OS-SSL)方法,将智能故障诊断(IFD)模块与基于特征投影残差(FPR)的开放集识别(OSR)模块相结合,以识别无标签故障样本中的潜在未知故障类型。总之,尽管数据驱动方法在提高故障诊断准确率方面展现出相当大的前景,但主要解决样本稀缺问题,往往无法捕捉涡旋压缩机等复杂系统中固有的非线性时间动态。

图神经网络(GNNs)[23]作为一种新兴的深度学习技术,因其独特的处理此类数据的优势,已被认为是解决涉及复杂拓扑结构数据和时间相关性问题的有效手段。与传统深度学习方法不同,GNNs能够直接从图结构化数据中学习,使其特别适合描述复杂故障信号的时间依赖性和拓扑结构。通过将故障诊断问题建模为图结构,GNNs可以更有效地捕捉时间序列数据之间的复杂关系,从而在故障信号建模方面展现出其独特优势。例如,Liang等人[24]利用无标签和稀疏标注样本构建图以进行基于GNN的机械故障诊断。类似地,Yin等人[25]提出了一种多尺度特征提取模块,在不同感受野上对振动信号进行两轮特征提取,确保有效捕捉和学习信号特征的潜在规律。此外,Li等人[26]在保持图同构的前提下,统一了故障信号的拓扑和动态特征,并提出了一种改进的图同构故障诊断网络,取得了更好的诊断结果。此外,Wang等人[27]引入了一种带有残差块的新型双图神经网络(DGNNet)来解决有限数据引起的故障诊断问题。同样,Yu等人[28]开发了一种用于风力涡轮机齿轮箱故障诊断的快速深度图卷积网络,采用快速图卷积核和专用池化技术来减少节点数量,从而实现快速分类。此外,Zhou等人[29]提出了一种基于深度图特征学习的旋转机械多传感器故障诊断方法,该方法利用图卷积网络从图数据中提取高层特征,并进行特征融合以进行故障分类。类似地,Wang等人[30]引入了一种带有注意力感知模块的时空图神经网络(A-TSGNN),通过额外的注意力机制学习灵活权重以实现多源信息融合,从而有效完成诊断任务。尽管取得了令人鼓舞的进展,现有基于图的故障诊断方法仍存在若干局限性。目前大多数方法根据特征相似度、预定义图拓扑或手工构造的连接来构建图结构。尽管在一些研究中已将时频信息纳入图构建,但这些特征通常被用作通用数据驱动描述符进行相似度估计,而非根据其与故障诱发振动响应相关的互补物理特征进行组织。因此,图连接性主要反映统计特征相似度,而非明确保留与不同故障行为相关的互补物理特征。此外,自适应图学习和时间依赖建模通常是独立研究的,这限制了现有方法联合利用结构关系和长距离时间相关性的能力。这些局限性在数据稀缺条件下尤为突出,此时监督信号的不足进一步限制了判别性图表示的学习。因此,开发能够有效将物理可解释的故障相关信号特征纳入图表示并同时建模结构关系和时间依赖性的图表示方法,仍然是一个重要但尚未充分探索的研究方向。

为解决这些问题,本研究提出了一种针对涡旋压缩机故障诊断的时空自适应图神经网络。首先,引入了一种物理引导的图构建策略,从振动信号中提取多尺度时频特征,从而在有限样本设置中增强特征表示。在此基础上,开发了一种时空位置图卷积网络(TSP-GCN),该网络集成了图卷积、可学习位置编码和Transformer编码器。这种混合架构能够更有效地建模动态变化和长距离依赖,同时保持相对紧凑的模型架构。因此,所提方法为小样本和时变条件下的涡旋压缩机故障准确诊断提供了一个有前景的框架。

本文的贡献总结如下:
1) 提出了一种面向数据稀缺条件下振动信号分析的物理引导图表示框架。在该框架中,通过快速傅里叶变换(FFT)和平稳小波变换(SWT)提取的互补频谱和瞬态特征,根据其描述故障诱发振动响应的不同作用进行组织。所生成的图表示保留了物理引导的结构关系,并为后续图表示学习提供了信息丰富的输入。
2) 开发了一种时空位置图卷积网络(TSP-GCN),通过在一个统一框架中集成图卷积、可学习位置编码和Transformer编码,实现自适应图表示学习。图卷积层捕捉局部结构关系,可学习位置编码保留顺序信息,Transformer编码器建模长距离时间依赖,从而在数据稀缺条件下有效实现故障诊断的时空图表示学习。
3) 在兰州理工大学涡旋压缩机数据集以及两个公开基准数据集上进行了大量实验。实验结果表明,所提TSP-GCN在不同数据可用性条件下均能取得具有竞争力的诊断性能,同时保持5.32 MB的模型大小。

## 章节摘要

### 图神经网络

GNNs是专门设计用于处理非欧几里得结构化数据的模型,它们在捕捉时间序列信号中的复杂依赖关系方面尤为有效。与传统神经网络相比,GNNs利用动态消息传递机制,在每一层聚合邻近节点特征。该机制利用动态图结构和可调整边权重来更有效地捕捉时间依赖关系。因此,GNNs具有显著优势

### 总体框架

本文提出了一种面向数据稀缺条件下故障诊断的物理引导图表示框架。所提框架将物理引导图构建与自适应时空表示学习相结合。具体而言,振动信号首先通过联合编码来自FFT和SWT的互补频谱和瞬态特征,被转换为图表示。基于这些图表示,开发了一种时空位置图

### 实验验证

具体而言,采用了三个数据集:兰州理工大学(LUT)的专有涡旋压缩机数据集和西安交通大学(XJTU)的两个公开基准数据集,即XJTU正齿轮[32]和XJTU齿轮箱[32]数据集。综合而言,选择这些数据集是为了评估TSP-GCN在不同机械类型和故障机制下的诊断性能。

实验使用PyTorch深度学习框架在

上进行。

### 结论

本文提出了一种面向数据稀缺条件下振动信号分析的物理引导图表示框架。具体而言,通过快速傅里叶变换和平稳小波变换提取的互补频谱和瞬态特征,根据其描述故障诱发振动响应的互补物理特征进行组织。以此方式构建物理引导的图表示,保留物理驱动的结构

# CRediT 作者贡献声明

徐志伟:概念构思、方法设计、调查研究、形式化分析、验证、软件、可视化、资源、数据管理、撰写 – 原稿撰写、撰写 – 审阅与编辑。刘涛:撰写 – 审阅与编辑、监督、项目管理、方法设计、概念构思。吴再新:撰写 – 审阅与编辑、数据管理。孙永吉:验证、软件、形式化分析。

冯安:验证、形式化分析。

**利益冲突声明**

作者声明不存在任何已知的竞争性经济利益或个人关系可能会影响本文所报告工作的客观性。

**致谢**

本工作得到国家自然科学基金(项目编号:52265034)、甘肃省科技计划科技创新人才计划高层次特殊人才专项(项目编号:24RCKA017)、甘肃省教育厅高校研究生"创新之星"项目(编号:2025CXZX-507)的资助。

徐志伟 | 刘涛 | 吴再鑫 | 孙永吉 | 冯安
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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