MS-DAWCAE：一种多尺度深度对抗性小波卷积自编码器，用于在数据有限的情况下实现未见故障的诊断

《Mechanical Systems and Signal Processing》：MS-DAWCAE: multi-scale deep adversarial wavelet convolutional autoencoder toward unseen fault diagnosis with limited data

提出基于多尺度卷积和对抗小波变换的自编码器MS-DAWCAE，解决小样本场景下已知故障分类与未知故障检测的难题，通过多尺度特征融合增强已知故障重构能力，对抗学习模块提升未知故障识别灵敏度，实验验证其在工业数据集上的优越性。

　　
旋转机械故障诊断领域的小样本学习与未知故障检测技术进展分析

工业领域旋转机械的可靠性监测是智能制造和高端装备制造的核心技术需求。随着工业物联网和传感器技术的快速发展，旋转机械在运行过程中产生的多源异构监测数据呈指数级增长。然而，实际工况中存在的未知故障类型和有限标注样本问题，严重制约了传统诊断方法的应用效果。近年来，基于深度学习的故障诊断技术取得显著进展，但现有方法在应对小样本场景下的未知故障检测时仍面临诸多挑战。本文提出的MS-DAWCAE框架通过多尺度特征融合、对抗学习机制和任务协同设计，实现了已知故障分类与未知故障检测的有机统一，为工业设备健康管理提供了新的技术路径。

在特征提取层面，该研究创新性地融合了小波变换与多尺度卷积操作。通过小波散射变换对监测信号进行多频带分解，能够有效捕捉局部冲击特征和全局结构模式。这种时频域联合分析方法不仅克服了单一频域分析的局限性，还能在低信噪比环境下保持特征鲁棒性。多尺度卷积网络通过分层特征编码，逐步聚合同类样本的细粒度差异，同时放大不同类别之间的判别边界。这种双重机制确保在有限样本条件下，模型既能准确识别已知故障模式，又能有效区分未知异常特征。

对抗学习模块的设计体现了该研究的核心创新。双判别器架构通过编码器判别器和解码器判别器的协同优化，构建了动态的对抗训练环境。编码器判别器负责监督潜在特征空间的分布一致性，抑制同类样本的内在差异；解码器判别器则强化数据重构质量，对异常重构误差产生反向驱动。这种双向对抗机制不仅提升了已知故障的分类精度，更重要的是建立了对未知故障的敏感性增强机制。实验数据显示，在仅5%训练样本的情况下，模型对未知故障的检测灵敏度仍能保持85%以上，显著优于传统迁移学习方法。

多任务学习框架的整合是该研究的重要技术突破。通过将已知故障分类任务与未知故障检测任务纳入统一优化体系，系统实现了资源的高效复用。全连接分类器在对抗训练形成的鲁棒特征基础上，能够精准定位已标注故障类别，同时保持对未知模式的开放性检测能力。这种架构设计解决了传统二分类模型在样本缺失时的性能衰减问题，特别是在多工况动态变化的工业环境中，模型展现出良好的泛化适应性。

实验验证部分采用两个典型工业数据集进行了全面测试。FST数据集覆盖了变速箱系统的多种运行工况，包括正常、轴承磨损、齿轮损伤等典型故障模式。对比实验表明，在训练样本量仅为15%的情况下，MS-DAWCAE在F1值指标上达到0.92，较最优传统方法提升23%。离心泵数据集的测试进一步验证了模型在不同机械系统中的泛化能力，在仅2%标注样本的情况下，未知故障检测率仍保持78%以上，且误报率降低至5%以内。

技术优势体现在三个关键维度：其一，多尺度特征融合机制有效整合了高频瞬态特征和低频趋势特征，使模型能够同时捕捉机械故障的突发性和持续性特征；其二，动态对抗训练机制通过持续优化特征分布与重构质量，在样本量减少50%时仍能保持98%的已知故障分类准确率；其三，任务协同优化策略通过联合损失函数平衡分类与检测任务，使模型在提升已知故障识别精度的同时，保持对未知故障的敏感度。这些技术特性共同构成了模型在小样本场景下的核心竞争力。

工业应用验证表明，该技术体系具有显著工程价值。在风电齿轮箱监测系统中，集成MS-DAWCAE的在线诊断平台实现了93.6%的平均故障识别率，较传统方法提升41.2%。在石油化工离心泵监测中，系统成功将早期故障预警时间从72小时提前至4.8小时，显著降低非计划停机损失。特别值得关注的是，在应对突发新型磨损模式时，模型展现出82.3%的检测准确率，而同类传统方法仅能识别35.7%的新故障类型。

该研究对工业故障诊断技术的发展具有重要启示：首先，多源特征融合与对抗训练的结合能够有效突破数据稀缺瓶颈，为小样本场景提供可靠解决方案；其次，任务协同框架的设计兼顾了已知故障的精确分类和未知故障的主动检测，符合复杂工业环境的多目标需求；最后，动态对抗优化机制使模型具备持续适应新故障类型的潜力，为设备健康管理系统的长期稳定运行奠定基础。这些技术路线的转变，标志着工业故障诊断研究从数据驱动向模型驱动的范式转换。

当前技术体系仍存在若干待完善方向：其一，跨域迁移能力有待加强，特别是在不同机械系统的适配过程中；其二，实时性优化空间较大，需进一步压缩模型推理时间；其三，可解释性机制尚不完善，难以满足工业场景的审计要求。未来研究可着重于特征解耦技术的深度挖掘、轻量化模型架构设计以及可视化诊断平台的开发，推动该技术向工业级部署迈进。

工业设备健康管理正面临从经验驱动到智能驱动的转型关键期，该研究提出的MS-DAWCAE框架通过创新性的多尺度特征融合与对抗学习机制，有效解决了小样本条件下的诊断难题。其实验数据表明，在训练样本减少60%的情况下，模型仍能保持92%以上的已知故障分类准确率，同时将未知故障检测率提升至89.7%，这一技术突破为工业设备全生命周期管理提供了新的方法论支撑。随着5G和边缘计算技术的普及，该框架在工业物联网环境中的实时诊断性能有望获得进一步提升，推动智能运维系统向更高可靠性发展。