《JOURNAL OF INTELLIGENT MANUFACTURING》：Robust energy centric machine learning assisted fault detection & diagnosis: an extrusion case
编辑推荐：
本文聚焦工业系统故障诊断难题，传统方法依赖多传感器且成本高。为解决此问题，研究人员提出了一个改进的以能源为中心（Energy-Centric）的状态监测框架，用于故障检测（Fault Detection）和隔离（Isolation）。该研究创新性地仅利用系统级（system-wide）电能测量和时间戳，在塑料挤出系统上评估了七种故障条件。通过应用深度无监督模型（如自编码器Autoencoder和变分自编码器Variational Autoencoder， VAE）对工程特征进行训练，研究实现了高达98% F1-score的故障检测，并能成功隔离所有七种故障模式。该工作证明，经过精心特征工程，基于能源的监控（Energy-Based Monitoring, EBM）可以成为工业状态监测一种经济高效且稳健的替代方案。
想象一下，一台巨大的工业机器正在生产我们日常生活中不可或缺的塑料制品。为了保证生产不间断、产品质量稳定，工厂需要时刻监控这些机器的“健康状况”。传统上，工程师们依靠监测机器的振动、温度或压力等信号来判断是否“生病”（即发生故障）。这些方法虽然有效，但往往需要安装大量传感器，成本高昂，数据整合复杂，对专业技术依赖性强，在工业普及上存在技术和经济壁垒。
近年来，一种新的思路正在兴起：为什么不直接监测给机器供电的“血液”——电能呢？电能信号是系统级的、聚合的变量，只需一个电表就能获取，而许多工厂最初为了节能降耗就已经安装了这样的电表。这种利用能源信号进行维护的范式，被称为基于能源的维护（Energy-Based Maintenance, EBM）和状态监测（EBCM）。它有望简化预测性维护的门槛，极具经济吸引力。然而，当前EBCM的应用大多局限于简单的故障“有无”判断（即检测），对于“是什么病”（即隔离）和“病根在哪”（即诊断）的探索还非常有限。而且，能源信号作为单一聚合指标，其是否足够“灵敏”和“稳健”以应对工业环境中常见的测量噪声和传感器漂移，也是一个悬而未决的问题。为此，发表在《JOURNAL OF INTELLIGENT MANUFACTURING》上的这项研究，旨在回答这些核心问题：能否仅凭系统级电能信号，不仅检测出故障，还能准确识别出是哪种故障？这种方法在面对真实工业环境中的干扰时，是否依然可靠？
为了回答这些问题，研究团队以一台塑料挤出系统为案例，精心设计了实验。他们仅使用一个非侵入式交流/直流电流钳（AC/DC current clamp）来采集系统的总电流信号，替代了传统方法中使用的多个传感器（如热电偶、编码器等）。在数据采集后，他们对原始的电流时间序列数据进行了关键的预处理和特征工程。具体而言，他们将数据分割成非重叠的时间窗口（每个窗口约13秒，包含10，000个数据点），并为每个窗口计算了一组精心设计的特征。这些特征超越了简单的统计值，重点包括了时频域特征，例如小波包能量（Wavelet Packet Energies）和快速傅里叶变换（FFT）的特定频带能量，因为它们对信号中的微小变化和瞬态现象更为敏感。研究团队对比了使用工程特征集和使用原始信号直接输入模型的差异，结果证明特征工程对于从聚合的能源信号中提取可区分的故障特征至关重要。
接下来，研究人员运用了一系列机器学习和深度学习模型来进行故障检测和隔离。在故障检测阶段，他们采用了无监督学习范式，这意味着模型仅使用“健康”（无故障）状态的数据进行训练。他们训练了包括自编码器（Autoencoder, AE）、变分自编码器（Variational Autoencoder, VAE）、主成分分析（PCA）以及传统机器学习模型（如支持向量机SVM、随机森林RF）在内的多种模型。这些模型学习重建健康的输入数据，计算重建误差（Mean Squared Error, MSE）。当输入故障数据时，重建误差会显著增大，超过基于健康数据设定的阈值，从而触发故障警报。
实验结果表明，在检测任务上，无监督的深度学习模型，特别是AE和VAE，表现最为出色。它们不仅实现了高达98%的F1-分数，而且对所有七种故障类型都表现出较高的召回率（Recall），即便是那些不直接与主要电动执行器（如加热器故障、材料混合故障）相关的“隐蔽”故障也能有效检测。相比之下，传统机器学习模型在处理类别不平衡数据和复杂非线性模式时显得力不从心。
在成功检测到故障后，研究进入了故障隔离阶段。此时，假设故障已被维护人员标记，因此可以使用有监督的分类器。研究人员利用AE模型在检测阶段产生的重建误差（残差）作为新特征，训练了多种分类器（如XGBoost、AdaBoost、深度神经网络ANN等）来区分七种具体的故障模式。
结果显示，基于AE残差的分类器能够成功隔离所有七种故障，最佳模型的F1-分数超过95%。这表明，虽然原始的电能特征本身可能不足以区分所有故障，但通过无监督模型学习到的非线性潜在表征，蕴含了丰富的、可区分的故障特异性信息，足以支持精确的故障类型识别。
然而，工业环境绝非理想实验室。测量信号常受到邻近设备干扰（噪声）或传感器自身性能衰减（漂移）的影响。因此，研究的第三个重点是稳健性分析。研究人员通过向原始信号中添加不同比例的高斯白噪声（Additive White Gaussian Noise, AWGN）以及模拟传感器漂移，来测试模型的抗干扰能力。
在噪声测试中，AE和VAE模型再次展现了强大优势。即使在添加了20%的噪声后，它们的检测F1-分数仍能保持在高位（例如VAE约92%），而传统模型（如RF）的性能则急剧下降至60%以下。在隔离任务上，表现最佳的模型在20%噪声下F1-分数仍能维持在80%的行业基准线附近。这证明了深度学习模型学习到的特征表示对随机噪声具有一定的鲁棒性。
在传感器漂移测试中，情况则严峻得多。即使是轻微的漂移（如信号动态范围的0.5%），所有模型的性能都出现了显著下滑。虽然AE和VAE相比其他模型衰减较慢，但其检测精度也已跌破可接受水平。这一结果明确提示，在部署EBCM系统进行长期监测时，必须制定针对传感器漂移的缓解策略，例如定期用更新后的数据重新训练模型。
最后，为了增强模型的可解释性并指导未来的特征工程，研究团队使用SHAP（SHapley Additive exPlanations）值分析了特征重要性。分析发现，对于故障隔离决策贡献最大的特征主要来自时频域，特别是二级近似小波包能量（Level 2 approximated wavelet packet energies）和FFT的特定窄频带能量。这与故障的物理机制相吻合：缓慢发展的故障（如堵塞）更多地反映在低频能量变化上，而间歇性或瞬态故障（如物料涌动）则与高频分量相关。传统的窗口级统计特征重要性相对较低。
归纳研究的结论与讨论，这项研究有力地证明，仅利用系统级电能信号及其精心设计的工程特征，结合先进的深度学习模型（尤其是AE和VAE），可以实现工业系统从故障检测到故障隔离的完整诊断流程。该方法大幅降低了对多传感器阵列的依赖，使得利用现有为节能目的安装的电能计量基础设施进行预测性维护成为可能，具有显著的成本效益和可扩展性。研究同时揭示了该方法的边界：其对随机测量噪声表现出良好的鲁棒性，但对系统性的传感器漂移则非常敏感。这为未来的研究和实际部署指明了关键方向——开发有效的漂移补偿和模型自适应更新机制。此外，特征重要性分析为理解不同故障机制如何在能源域中表现提供了物理见解，并强调了时频特征在EBCM中的核心价值。总体而言，这项工作将基于能源的状态监测（EBCM）从概念和简单的检测应用，向前推进到了更复杂的诊断和鲁棒性评估阶段，为工业智能维护提供了一条切实可行的新路径。
