液压系统中的故障解耦：一种基于大型语言模型的辅助双流多任务学习方法

《Neurocomputing》：Fault decoupling in hydraulic systems: A large language model-assisted dual-stream multi-task learning approach

针对液压系统中多组件故障耦合导致的诊断困难问题，提出双流多任务学习框架，结合预训练 Chronos-T5 编码器提取全局时序特征和 TimesNet 编码器捕获多尺度局部特征，通过动态门控机制协调共享与专用专家系统，有效解耦故障特征。实验表明该方法在公开基准数据集上优于现有方法。

　　

作者：詹阳丽、何太生、张勇、陈国才、张福海、马贵军

中国华中科技大学人工智能与自动化学院，武汉，430074

摘要

在液压系统中进行准确的故障诊断对于确保工业设备的安全可靠运行至关重要。然而，由于多组件故障之间的内在耦合，诊断这类系统尤其具有挑战性，因为这些故障的影响同时体现在共享的传感器信号上，使得隔离和识别单个故障源变得困难。为了解决这个问题，本文提出了一种新颖的双流多任务学习框架，用于解耦和诊断液压系统中的多组件故障。该框架结合了一个预训练的Chronos-T5编码器来提取全局时间特征，以及一个TimesNet编码器在数据有限的情况下捕获多尺度局部特征。此外，引入了一种动态门控机制，有效协调共享专家和任务特定专家，从而实现跨多个组件的明确故障解耦。在基准液压系统数据集上的实验结果表明，所提出的方法优于其他流行方法。对鲁棒性和样本敏感性的进一步分析进一步验证了该框架在现实工业场景中的实际应用性。

引言

液压系统通过加压流体在机械和机电组件之间传递动力，是航空航天控制系统、建筑机械和工业自动化设备中的基本执行器[1]、[2]。它们在安全相关和任务关键操作中的关键作用意味着任何组件的故障都可能导致系统性能下降、生产停机甚至灾难性故障。因此，对液压系统进行准确和及时的故障诊断对于确保设备可靠性、防止系统级联故障以及促进预测性维护至关重要[3]、[4]、[5]、[6]。

尽管在故障诊断理论方面取得了实质性进展[7]、[8]、[9]，但从共享传感器数据中解耦多个故障仍然是液压系统面临的长期挑战[10]。液压系统的故障源于多种机械、电气和流体相关的退化模式（如冷却器、阀门、泵和蓄能器），其影响会在相互连接的子系统中传播[11]。由于多个组件共享压力和流道，它们的故障特征通常同时反映在共享的传感器通道上[12]。这种内在耦合产生了复杂的时间模式和重叠的特征，使得隔离和识别单个故障源变得困难[13]。传统的故障诊断方法通常将故障视为独立事件，这限制了它们分离共享传感器数据中呈现的跨组件干扰的能力[14]。

多任务学习（MTL）作为一种有前景的方法，可以通过利用共享表示来解耦跨组件故障，同时保留任务特定特征[15]、[16]。作为MTL的关键组成部分，基于门的专家架构（如混合专家、多门混合专家和渐进式分层提取[17]、[18]、[19]）在解耦故障方面表现出显著的效果，因为它们能够选择性地在共享表示和任务特定表示之间分配专家信息。特别是，渐进式分层提取通过使用定制的门控机制动态控制知识在共享和任务特定专家网络之间的流动，从而在处理高度相关的任务时表现出色[18]。基于上述讨论，在专家架构中部署定制的门控机制是解决跨组件干扰和增强复杂液压系统中故障解耦的自然选择。

值得注意的是，从共享传感器数据中学习有信息的表示对于有效解耦故障至关重要[20]、[21]。在过去的几十年中，深度学习方法在故障诊断方面取得了显著进展，因为它们具有强大的特征提取能力[22]、[23]、[24]、[25]、[26]。诸如卷积神经网络（CNNs）[27]、长短期记忆网络（LSTMs）[28]和基于Transformer的模型[29]等架构已经证明了从原始多变量传感器数据中自动提取区分性特征的能力。然而，它们的性能在很大程度上依赖于大量标记故障数据的可用性[19]、[30]、[31]。在真实的工业环境中，液压系统故障发生频率较低，故障进展因操作条件而异，且注释数据往往稀缺[32]、[33]。因此，传统的深度学习模型在样本量有限的情况下经常出现过拟合和泛化能力差的问题。

为了缓解由于数据稀缺导致的过拟合和泛化能力差的问题，预训练的时间序列基础模型[34]、[35]作为一种有前景的解决方案应运而生。例如，Chronos-T5[36]通过大规模的自监督预训练学习通用时间表示，使得在仅有有限标记数据的情况下也能强大地转移到下游工业任务中。同时，像TimesNet[37]这样的专用架构在捕获多尺度局部时间模式方面特别有效，这是液压系统的特定特征。尽管取得了这些进展，但在统一的诊断框架中整合全局和局部时间表示仍然很大程度上尚未探索。

受这些挑战的启发，本文提出了一种用于液压系统故障解耦和诊断的新颖双流多任务学习方法。所提出的方法结合了一个预训练的Chronos-T5编码器来提取全局时间依赖性，以及一个TimesNet编码器来捕获多尺度局部时间结构，从而在数据有限的情况下实现互补和稳健的表示学习。为了进一步解决故障耦合问题，引入了一种基于动态门控的多任务解耦策略，该策略能够自适应地路由共享专家和任务特定专家，以隔离特定组件的故障特征，同时保留有用的跨任务知识。该方法在一个包含四种故障类型和多个严重程度的公共基准液压数据集上进行了彻底评估。本工作的主要贡献总结如下：

1. 1.
   提出了一种双流特征学习架构，结合了一个预训练的Chronos-T5编码器和一个TimesNet编码器，在有限的标记条件下从液压传感器数据中提取互补的全局和局部特征。
2. 2.
   引入了一种基于门控的专家多任务解耦策略，显著减少了跨任务干扰，同时保留了共享知识。
3. 3.
   该方法在公共液压系统基准测试中得到了验证，在噪声和数据有限的情况下实现了令人满意的诊断准确性和鲁棒性。

本文的其余部分结构如下：第2节从数学上阐述了故障解耦问题。第3节介绍了所提出的双流故障解耦框架，包括五个关键模块（即输入缩放和分词、异构双流编码器、全局特征融合、共享和特定专家系统以及多任务输出）。第4节介绍了实验数据集并分析了所提方法的实验结果。最后，第5节总结了本工作并提出了未来研究的方向。

节选内容

复杂系统中的故障耦合

考虑一个由多个相互作用的子系统组成的复杂系统

设第

个子系统的健康状态表示为

其中

是可能的健康状态数量。在某一时期，整个系统的健康状态可以用多标签向量

来描述。

该复杂系统由一组传感器监控，这些传感器产生多变量时间序列信号

其中

是信号通道的数量

是序列长度。传感器信号由一个时变映射生成

方法

在本节中，我们提出了一种用于液压系统多任务诊断的双流故障解耦框架。如图1所示，该框架由五个关键模块组成：（1）输入缩放和分词，（2）异构双流编码器（包括TimesNet和LoRA适配的Chronos-T5），（3）全局特征融合，（4）共享和特定专家系统，以及（5）多任务输出。

数据集描述

本研究使用的数据集来自加州大学欧文分校（UCI）机器学习存储库，来源于一个液压系统状态监测测试平台[39]。如图2所示，测试平台由两个互连的液压回路组成，它们共享一个共同的油箱：一个工作回路（顶部）和一个冷却-过滤回路（底部）。在工作回路中，一个3.3千瓦的电动机驱动主液压泵MP1。系统负载是动态变化的

结论

本研究提出了一种双流多任务学习方法，用于解耦和诊断液压系统中的多组件故障，解决了由共享传感器观测引起的故障耦合这一关键挑战。所提出的方法结合了一个预训练的Chronos-T5编码器和一个TimesNet编码器，共同捕获全局时间依赖性和多尺度局部动态，形成了适合工业时间序列数据的互补特征表示。

CRediT作者贡献声明

詹阳丽：软件、概念化。

何太生：验证、数据管理。

张勇：监督。

陈国才：可视化。

张福海：可视化、调查。

马贵军：撰写——原始草稿。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争财务利益或个人关系。

致谢

本工作部分得到了中国国家自然科学基金（项目编号62273264、62503185和92467301）的支持。

詹阳丽于2006年在中国上海交通大学获得机械工程学士学位，2009年在中国上海交通大学获得机械工程硕士学位。他目前在中国上海的核电运营研究所工作。他的研究兴趣集中在预测和健康管理以及工程领域的AI上。