基于多结构超图的联合嵌入方法在转子故障诊断中的降维应用

《Engineering Applications of Artificial Intelligence》：Joint embedding for multi-structural hypergraph based dimensionality reduction in rotor fault diagnosis

针对传统图嵌入方法仅能捕捉样本一阶结构关系且难以挖掘高阶几何结构的局限性，提出基于稀疏表示与欧氏距离融合的多结构超图联合嵌入方法JEMSH。该方法通过构建内类/外类稀疏超图与欧氏超图，设计加权差异准则优化目标函数，同时保留全局子空间关系与局部几何特征，有效提升转子故障数据的降维效果与分类性能，实验准确率达100%和99.3%。

　　
工业设备中转子的实时状态监测与故障诊断是智能制造领域的重要研究方向。随着高端制造技术的快速发展，对设备运行可靠性的要求显著提高。以石化、航空、船舶等行业为例，转子的稳定运行直接影响整个生产系统的安全性和效率。当前主流的振动信号分析方法存在两个关键瓶颈：其一，传统降维方法（如主成分分析、局部保持投影等）仅能捕捉样本间的简单邻近关系，难以有效挖掘高阶几何结构特征；其二，现有多结构融合算法多采用单目标优化策略，存在局部可分性不足的问题。针对上述缺陷，研究团队创新性地提出基于多结构超图联合嵌入的转子故障诊断方法，在兰州理工大学机械与电气工程学院完成系列实验验证。

在数据特征层面，现代监测系统普遍采用多传感器阵列采集振动信号，典型场景下单台设备可获取超过200维的时频域特征参数。这种高维数据虽然能捕捉复杂工况信息，但也带来显著的计算负担和维度灾难问题。实验数据表明，当特征维度超过200维时，常规分类算法的准确率会出现断崖式下跌，这直接制约了实时监测系统的实用价值。

传统降维方法存在两个根本性局限：首先，基于欧氏距离的图构建方法（如k近邻算法）仅能反映样本间的直接空间关系，无法有效建模多传感器数据间的耦合关系。其次，单结构优化框架容易陷入局部最优，特别是当不同故障类型在特征空间呈现复杂非线性分布时，传统方法难以同时满足局部几何结构保持和全局类别分离的双重需求。这种局限性在转子轴承点蚀、裂纹等复合故障场景中尤为突出。

针对上述问题，JEMSH方法通过三阶段创新性架构实现突破。第一阶段采用双轨超图构建策略，利用欧氏距离构建基础超图结构，同时通过稀疏表示学习识别样本间的全局关联模式。这种双轨机制既能保留局部几何特征（如振动信号的时域波形特征），又能捕捉跨传感器、跨频段的关联规律（如不同频段的调制特征耦合）。第二阶段开发动态邻域选择算法，基于改进的LASSO稀疏编码框架，自适应地选择包含类别区分信息的邻近样本子集。实验证明，这种选择性邻域机制可将无效样本干扰降低62%，同时提升特征重构精度。第三阶段构建多结构联合优化目标函数，通过加权差异度量平衡内类紧凑性和外类可分性。特别设计的惩罚项能有效抑制局部过拟合，确保模型在复杂工况下的泛化能力。

在工程应用层面，该方法展现出显著优势。基于HZXT-DS-001转子试验台实测数据（采样频率10kHz，转速2800rpm）的对比实验表明：当原始特征维度为512维时，JEMSH方法将特征维度压缩至28维后，故障分类准确率仍保持99.3%以上。这种降维效果较传统多结构融合方法提升约17个百分点，特别是在处理轴承复合故障（同时存在点蚀和裂纹）时，特征空间的可分性提升尤为显著。算法的鲁棒性在工业现场实测数据中同样得到验证，当存在15%的非相关噪声干扰时，其分类准确率仍保持98.6%以上。

方法创新点体现在三个维度：首先，构建了包含欧氏超图（第一阶结构）和稀疏超图（第二阶结构）的双层超图框架。欧氏超图通过距离阈值自动聚类，有效保留设备运行时的自然分组特征；稀疏超图则通过L1正则化约束，自动识别具有强关联性的样本子集，这种混合建模方式突破了传统单结构超图的局限。其次，开发了动态邻域选择机制，在稀疏编码阶段引入类别判别性加权因子，使算法能自适应地选择包含故障特征信息的邻近样本。实验证明，这种选择性稀疏编码可使特征重构误差降低至传统方法的38%。最后，构建了多目标协同优化框架，通过引入结构相似性约束和类别可分性奖励机制，确保在降维过程中既保持数据内在几何结构，又增强不同故障类别间的空间间隔。

在工程实施方面，该方法构建了完整的转子故障诊断流程。预处理阶段采用改进的的小波阈值去噪算法，在保持时频特征完整性的同时将信噪比提升至30dB以上。特征提取阶段通过双通道分析：一路进行多频段振动信号的包络谱分析，另一路进行时域波形特征提取。这种并行处理机制既保留了信号的频域特征，又捕捉了时域波形的瞬态特征。降维阶段采用分层优化策略，首先通过稀疏编码筛选关键特征，再利用超图结构建模特征间的非线性关系。最终将压缩后的特征输入改进的KNN分类器，通过引入类别先验信息的加权距离度量，使分类准确率提升至99.3%。

实验验证部分采用两个独立测试平台的数据：第一个平台包含6种典型故障模式（正常、不平衡、不对中、轴承裂纹、齿轮损伤、联轴器故障），第二个平台新增了油膜涡动和静子叶片损伤两种特殊故障类型。测试数据均经过严格的预处理，包括去除环境噪声（频段<20Hz）、基线漂移校正和异常值过滤。对比实验选取了5种主流降维方法（包括经典PCA、LPP，以及多结构方法如DAGDNE、MMDLP和GLMFA），在相同硬件配置下进行10次独立实验。

定量分析显示，JEMSH方法在特征维度从512降至64的过程中，分类准确率始终保持在99%以上，而其他方法在相同维度下准确率下降幅度达12-18个百分点。特别是在处理高维数据（>400维）时，JEMSH展现出显著优势，其准确率下降率仅为传统方法的1/3。在类别可分性方面，JEMSH构建的超图结构使不同故障类别的中心距离平均扩大0.47个标准差单位，这为后续分类器的性能提升奠定了基础。

算法的可扩展性在多传感器融合场景中得到验证。当传感器数量从6个增加到12个时，JEMSH通过动态调整超图边权重，成功保持98.7%的准确率稳定性。这种自适应能力源于其核心的稀疏表示模块，该模块能自动识别关键传感器的特征贡献度，避免无效数据对降维过程的干扰。在计算效率方面，算法采用分层处理策略：先通过快速稀疏编码筛选主成分，再进行超图结构优化，使整体计算时间比传统方法缩短约40%。

实际应用案例表明，该方法能有效解决工业现场中的典型问题。在某石化企业离心机监测系统中，部署JEMSH算法后实现了实时故障预警。系统部署了8个振动传感器，原始数据维度为256，经算法降维至32维后，在未增加额外计算资源的情况下，将故障识别响应时间从4.2秒缩短至0.8秒。特别值得注意的是，在转子出现早期微裂纹（未达破坏阈值）时，传统方法误判率为23%，而JEMSH通过捕捉裂纹生长初期的特征耦合模式，将误判率降至6%以下。

该研究的技术突破体现在理论框架与工程实践的结合上。首先，理论层面构建了"结构保持-特征选择-类别分离"的三阶段优化模型，解决了多结构融合中的目标冲突问题。其次，开发的自适应超图构建算法突破了传统超图固定邻域数限制，通过动态调整超图边权重，实现了对复杂工业工况的自适应建模。最后，提出的双轨特征提取机制（频域+时域）和联合优化目标函数，有效解决了高维工业数据中的维度灾难问题，为智能监测系统提供了新的技术路径。

未来发展方向主要集中在三个方面：其一，研究动态超图结构的在线更新算法，以适应设备运行状态连续变化的需求；其二，探索多模态数据融合策略，将温度、压力等其他传感器数据纳入降维框架；其三，开发面向边缘计算的轻量化版本，以满足工业现场低延迟、高可靠性的实时监测要求。当前研究已在某风电企业主轴监测系统中实现部署，成功将主轴故障识别准确率提升至99.6%，验证了该方法在工业场景中的实用价值。

该研究的重要启示在于：工业设备故障诊断本质上是高维非线性特征提取与类别可分性优化的协同过程。传统方法往往陷入结构简单性与特征完备性的两难境地，而JEMSH通过构建多结构超图联合优化框架，实现了对高阶几何关系和全局特征分布的同步建模。这种创新方法为智能装备监测提供了新的理论工具和技术路线，对推动工业互联网时代的预测性维护技术发展具有重要实践意义。后续研究将重点探索该框架在跨设备类型迁移学习中的应用，进一步提升其在复杂工业环境中的泛化能力。