面向机械系统故障诊断的基于频带图(Frequency-band Graph, FBG)的传感器融合与敏感度感知能量辅助网络(Sensitivity-aware Energy Assist Network, SEANet)

《Engineering Applications of Artificial Intelligence》：Frequency-band graph-based sensor fusion with sensitivity-aware energy assist network for machinery system fault diagnosis

　　

摘要：基于图的故障诊断方法通过将传感器间隐含关系建模为图，在多传感器数据融合方面展现出潜力，但其于复杂机械系统中的有效应用仍具挑战。首先，信号中故障相关特征通常微弱且分布于多个频带，难以构建能充分捕捉系统级故障特征的图；其次，各传感器信号对不同故障模式敏感度不同，且各故障模式具有各异的频域行为（如能量迁移或特有故障频率），阻碍了训练中精确高效图表示的习得。为克服上述挑战，本文提出基于频带图(frequency-band graph, FBG)的传感器融合与敏感度感知能量辅助网络(sensitivity-aware energy assist network, FBG-SEANet)，一种新型基于图的传感器融合框架。FBG是一种新颖的图构建策略：将传感器信号分解至多个频带，为每个频带构建子图并连接形成最终图，从而保留各频带特有的微弱故障特征。以FBG为输入，敏感度感知能量辅助网络(sensitivity-aware energy assist network, SEANet)设计了敏感度感知读出(sensitivity-aware readout, SR)层以捕捉信号对各故障的敏感度；此外引入能量辅助(energy assist, EA)模块以学习信号中与能量迁移相关的故障特征。研究采用一公开旋转机械数据集、一电机实验数据集及一城市空中交通(urban air mobility, UAM)系统实验数据集进行验证，结果表明FBG-SEANet改进了多传感器数据融合效果，在增强可解释性的同时优于常规传感器融合模型。

论文解读：面向机械系统故障诊断的基于频带图(Frequency-band Graph, FBG)的传感器融合与敏感度感知能量辅助网络(Sensitivity-aware Energy Assist Network, SEANet)

一、研究背景与意义

现代机械系统（如城市空中交通(Urban Air Mobility, UAM)飞行器、电动汽车驱动电机）由多组件紧密耦合构成，任一处失效均可能引发重大经济损失与安全风除，故系统级故障诊断至关重要。随信号采集技术进步，多传感器监测数据大量积累，基于深度学习(deep learning, DL)的方法虽可自主提取特征，但传统DL方法通常简单拼接多传感器信号并施加固定卷积核，难以建模复杂机械系统中固有的非线性跨传感器交互关系。

近年，图神经网络(graph neural network, GNN)——如图卷积网络(graph convolutional network, GCN)、图注意力网络(graph attention network, GAT)——因可将传感器作为节点、传感器间关系作为边，通过消息传递实现多传感器信息融合，被用于系统级故障诊断。现有图级(graph-level)方法将整个系统状态表示为单张图并学习统一图表示以捕捉传感器间结构关联，较节点级方法更适合复杂系统。然而现有方法仍存在两方面不足：（1）图构建方面，直接使用原始时域信号作节点嵌入时，强工况运行成分(operational components)会掩盖微弱故障特征，且原始信号各频带信息混叠，难捕捉分散于多频带的故障特征；若仅用全频谱能量谱聚合为单一向量亦会稀释窄带故障特征。（2）图表示方面，仅在卷积阶段用注意力机制而未在读出(readout)层考虑传感器对各故障的差异化敏感度，易导致信息冗余；此外未充分考虑不同故障模式引发的特有频域行为（如既有频率上能量变化或出现特有故障频率）。为此，研究人员（Sang Kyung Lee, Hyeongmin Kim, Minseok Chae, Hansoo Kim, Joonho Yang, Heonjun Yoon, Byeng D. Youn，Seoul National University）提出FBG-SEANet框架，发表于《Engineering Applications of Artificial Intelligence》。该研究通过新颖的频带图(frequency-band graph, FBG)构建策略与含敏感度感知读出(sensitivity-aware readout, SR)层及能量辅助(energy assist, EA)模块的图表示网络，解决上述问题，提升系统级故障诊断精度与可解释性。

二、主要关键技术方法

研究人员采用三个数据集开展研究：①KAIST公开旋转机械数据集；②伺服电机实验数据集；③UAM系统实验数据集。关键技术方法包括：（1）运行成分滤波(operation component filtering, OCF)：对原始多传感器信号施加陷波滤波器(notch filter)去除主导工频/转频等运行成分；（2）频带图(frequency-band graph, FBG)构建：经OCF后信号通过多组带通滤波器(band-pass filter)分解为若干频带，每频带对应一子图（节点为传感器在该频带的特征向量，边按传感器物理/信号相似度构建），再将各子图连接为最终FBG；（3）图编码：采用GCN/GAT进行图卷积以聚合邻域信息；（4）敏感度感知读出(sensitivity-aware readout, SR)层：在readout阶段引入可学习权重反映各传感器对各故障模式的敏感度，加权池化获得图级表示；（5）能量辅助(energy assist, EA)模块：计算信号在特定频带的能量特征并嵌入节点表示，以强化模型对故障引发能量迁移的感知；（6）分类头：全连接层+Softmax输出故障模式概率，交叉熵损失函数训练，并与多种SOTA图基及传统传感器融合模型对比。

三、研究结果

Graph convolutional networks

GCN通过聚合邻节点特征更新节点表示，是处理图结构数据的核心。文中以此为基础搭建FBG-SEANet的图编码部分，并引入注意力机制增强传感器重要性区分能力。

Overall process

FBG-SEANet针对四大挑战设计：①运行成分掩盖故障特征——FBG用OCF（notch filter）剔除之；②故障信息散布多频带——FBG用带通滤波分频带建子图再拼接；③读出层未考虑传感器–故障敏感度——引入SR层加权融合；④未考虑故障致能量偏移——引入EA模块嵌入能量特征。整体流程为：原始多传感器信号→OCF→多频带带通滤波→分频带子图构建→合成FBG→GCN/GAT卷积→EA模块节点增强→SR层图级池化→分类。

Validation

采用KAIST旋转机械数据集、伺服电机实验数据集及UAM系统实验数据集，将FBG-SEANet与图基方法（普通GCN、GAT建图法）及SOTA传统传感器融合模型对比。结果显示FBG-SEANet在准确率、F1-score等指标上均优于对比模型，尤在故障特征微弱或分散于多频带的工况下提升显著；消融实验证实OCF、分频带建子图、SR层及EA模块均对性能有正向贡献；可视化分析表明FBG能突出故障相关频带节点关联，SR层权重可反映各传感器对不同故障的实际敏感度，增强了模型可解释性。

Conclusion

研究人员提出FBG-SEANet——一种面向机械系统故障诊断的图级传感器融合新方法。通过频带图(frequency-band graph, FBG)在剔除运行成分基础上分频带构建子图并合成，充分保留各频带特有故障特征；通过敏感度感知读出(sensitivity-aware readout, SR)层捕捉传感器信号对各故障模式的差异化敏感度、减少信息冗余，通过能量辅助(energy assist, EA)模块学习故障引发的能量偏移特征。经三个数据集验证，该方法较现有图基及传统传感器融合模型有更高诊断精度与更好可解释性，为复杂机械系统级故障诊断提供了有效解决方案。

四、讨论总结（翻译并浓缩结论）

本研究提出面向机械系统故障诊断的基于频带图(frequency-band graph, FBG)的传感器融合与敏感度感知能量辅助网络(FBG-SEANet)。FBG通过在运行成分滤波(OCF)后分频带构建子图并连接，使输入图能有效反映多传感器信号中跨频带的故障特征。SEANet通过敏感度感知读出(SR)层建模传感器对各故障的重要性、通过能量辅助(EA)模块融入故障相关的能量偏移信息，实现对图表示的有效学习。使用KAIST旋转机械数据集、伺服电机实验数据集及UAM系统实验数据集验证表明，FBG-SEANet优于常规传感器融合及现有图基模型，在多传感器数据融合与可解释性上均有提升，适用于复杂机械系统的系统级故障诊断。未来可进一步探索自适应频带划分策略及在更大规模工业数据集上的泛化能力。