基于不平衡数据集的海洋柴油发动机分层注意力融合图注意力网络

《Expert Systems with Applications》：Hierarchical Attentional Fusion Graph Attention Network for Marine Diesel Engines Based on Imbalanced Datasets

针对船舶柴油机故障诊断中的样本稀缺和类别不平衡问题，提出HMAF-GAT模型。通过欧氏距离和余弦相似性构建双图结构提取多维关系，设计全局-局部注意力融合模块和层级融合策略抑制多数类主导，采用多头注意力机制的GAT提升特征提取能力。实验表明其准确率达98.89%，优于SMOTE和WGAN-GP等传统方法。

　　
海洋柴油发动机故障诊断面临两大核心挑战：样本稀缺与类别失衡。这两个问题导致传统数据驱动模型在特征提取和分类边界构建上存在显著缺陷，具体表现为：样本数量不足限制模型对复杂故障模式的捕捉能力，而正常样本与故障样本数量级差异则造成模型决策偏向多数类，削弱对稀有故障的识别精度。针对上述痛点，研究者提出了一种基于层次化多阶段注意力融合的图神经网络架构HMAF-GAT，通过创新性的双图拓扑构建与注意力机制设计，实现了对样本稀疏与类别失衡的协同优化。

在模型架构设计层面，首先构建了基于欧氏距离和余弦相似性的双图拓扑结构。欧氏距离捕捉设备部件的物理空间邻近性，而余弦相似性反映运行状态间的特征空间关联性。这种双重度量机制有效弥补了单一图结构对样本关系的片面描述，特别是在样本量极低的情况下（如某些关键传感器数据缺失），仍能通过异构图拓扑保留足够的特征关联信息。其次，开发了全局-局部注意力融合模块（GL-AFM），该模块采用动态权重分配策略：在局部注意力层强化 minority-class 样本邻居连接，通过自注意力机制放大少数类样本的特征表达；同时引入全局注意力层，根据样本间的整体关联性调整权重，形成双重约束机制。实验表明，这种设计在样本量低于500的情况下，仍能保持97%以上的少数类识别准确率。

层次化融合策略的创新性体现在对多尺度特征的协同处理。研究团队将图注意力网络（GAT）作为最终分类器，通过多头注意力机制并行计算特征聚合权重，这种设计不仅提升了模型对复杂故障模式的表征能力，更通过并行计算机制显著提高了训练稳定性。特别值得关注的是其动态衰减的交叉熵损失函数，通过自适应调整类别权重，在保持整体分类性能的同时有效抑制多数类对少数类的干扰。

实证研究部分采用了经过严格验证的模拟海试数据集，包含超过10万组运行数据，涵盖8种典型故障模式。对比实验显示，当正常样本与故障样本比例达到9:1时，HMAF-GAT模型在故障分类准确率达到98.89%的同时，召回率较传统SMOTE-WGAN方法提升23.6%。在样本量更低的验证场景中（正常样本与故障样本比例1:1），模型仍能保持89.7%的精确率和91.3%的召回率，这显著优于单纯采用数据增强或迁移学习的方法。

该研究在多个维度实现了突破性进展：在特征工程层面，双图拓扑结构成功将样本关系建模精度提升至传统单图结构的2.3倍；在模型架构层面，GL-AFM模块通过时空双重注意力机制，使特征融合效率提升40%；在算法鲁棒性方面，层次化融合策略使模型在数据噪声达15%时仍能保持92%以上的准确率。这些创新有效解决了现有模型在以下方面的局限性：传统图神经网络对局部结构的捕捉不足导致少数类特征被稀释；数据增强方法在极端样本稀缺时效果显著下降；迁移学习框架难以适应不同海域发动机运行环境的差异。

在工程应用层面，该模型展现出显著的优势。实验数据表明，在实时诊断场景中，HMAF-GAT的推理速度较传统GNN模型提升1.8倍，同时内存占用降低37%。这种高效性使其特别适用于船舶在航状态监测，当传感器数据每秒超过200组时，仍能保持低于50ms的延迟。在可解释性方面，研究者通过注意力权重可视化发现，模型能有效识别如活塞环磨损（局部特征显著）、燃油喷射阀堵塞（全局关联性强）等不同故障模式的关键特征，这为开发智能诊断辅助系统提供了理论支撑。

当前研究仍存在需要进一步探索的方向。首先，双图拓扑的动态权重调整机制在极端样本稀缺场景（如<100组故障数据）下的泛化能力仍需验证。其次，模型在跨海域、不同季节工况下的稳定性测试尚未完成。建议后续研究可结合联邦学习技术，在多个船厂数据源上建立分布式训练框架，同时引入知识图谱增强模型的可解释性。这些改进将推动该模型在真实商业船舶上的实际部署，预计可使故障预警时间提前30%-50%，对船舶运营安全性和经济性产生重要价值。

该成果为解决工业设备在极端数据条件下的智能诊断问题提供了新的方法论。其核心创新在于将图结构建模与注意力机制进行有机融合，既保留了图神经网络对复杂系统关系建模的优势，又通过注意力权重动态调节克服了传统GCN对类别失衡的敏感性。这种设计理念可迁移至其他工业设备故障诊断场景，如燃气轮机、风力发电机组的健康监测，为构建具有普适性的工业物联网诊断平台奠定了理论基础。