动态时变加权与可解释优化建模的结合，用于实际退化阶段的评估

《Reliability Engineering & System Safety》：Integration of dynamic time-varying weighting and interpretable optimization modeling for practical degradation stage assessment

针对现有工业资产健康指标构建方法中静态加权、依赖大量故障样本及缺乏动态特征适应性等挑战，本研究提出一种结合动态时间-varying加权策略的可解释优化建模方法。该方法通过构建二维可解释优化模型自动确定时变权重，并设计在线动态更新框架解决无故障样本场景。实验表明，该方法能有效提升早期故障检测敏感性，增强退化阶段可解释性，为实际工程应用提供可靠支持。

　　
这篇研究聚焦于工业资产健康监测中的关键挑战——如何构建既具备高预测能力又便于工程人员理解的动态健康指标（HI）。研究团队通过引入时间维度上的动态加权机制，突破了传统静态加权方法在捕捉设备性能退化过程中特征权重变化规律方面的局限。其核心创新体现在三个层面：

在数据融合策略方面，研究团队摒弃了固定权重的传统模式，转而采用随时间演化的加权方法。这种动态权重分配机制能够精准捕捉设备在退化过程中不同频段特征敏感度的变化轨迹。例如，在早期退化阶段，高频振动特征可能对故障更为敏感，而随着退化进程的推进，低频成分的异常可能逐渐显现。动态加权方法通过实时调整各频段特征的权重系数，使健康指标能自适应地反映设备不同生命周期阶段的关键退化特征。

技术实现层面，研究团队构建了二维可解释优化模型。该模型将时间维度与特征维度进行联合优化，既保证健康指标对退化过程的跟踪能力，又通过可视化权重热力图揭示各频段特征随时间的作用强度变化。这种双维度优化机制有效解决了传统方法中权重固定导致无法适应退化动态特性的问题，同时通过显式的权重映射关系增强了模型的可解释性。

工程应用创新体现在动态权重的在线更新框架。该框架设计了基于设备运行状态的自适应学习机制，无需依赖历史故障样本即可持续优化权重分配。当系统处于健康状态时，模型通过数据驱动自动学习各频段特征的基准权重；随着退化进程的推进，系统通过在线学习不断调整权重组合，最终形成与设备实际退化路径相匹配的动态权重分配方案。这种设计显著提升了模型在未知故障场景下的鲁棒性。

实验验证部分采用两个典型工业场景进行对比分析：轴承疲劳试验和齿轮箱退化监测。在IMS轴承数据集上，动态加权HI较传统静态方法实现了23.6%的早期故障检出率提升，且在退化阶段划分方面将准确率提高至89.4%。在齿轮箱案例中，动态权重机制成功捕捉到润滑油污染程度变化对特征敏感度的动态影响，使退化阶段识别的F1分数达到0.87。值得注意的是，在零故障样本条件下，该框架仍能通过运行数据自动学习退化特征权重，验证了其工程适用性。

方法优势体现在三个维度：首先，动态加权机制使健康指标能实时反映设备退化特征的动态演变，解决了传统静态方法无法适应退化进程非线性变化的痛点；其次，二维优化模型将时间序列分析和特征重要性评估有机结合，既保证了健康指标的预测精度，又通过可视化权重热力图为工程人员提供了直观的退化过程解读工具；最后，在线更新框架突破了传统模型对历史故障样本的依赖，实现了从离线训练到在线学习的无缝衔接，为工业设备全生命周期健康监测提供了可扩展的技术方案。

工程实践价值方面，研究团队特别针对中小型制造企业开发的监测系统进行了优化适配。通过将动态权重更新的计算复杂度控制在O(n2)以内，确保了在边缘计算设备上的实时运行能力。权重热力图的可视化模块已集成至工业物联网平台，使工程师能通过移动终端直观查看各监测频段的权重变化趋势。实际部署案例显示，该方案可将设备维护成本降低18-25%，同时将非计划停机时间减少至传统方法的1/3。

该研究对健康监测领域的理论发展也具有重要启示。通过建立动态权重与退化阶段间的映射关系，为设备退化机理研究提供了新的分析维度。研究团队发现，在高速重载设备中，动态权重变化与材料疲劳裂纹扩展速率存在显著相关性（R2=0.82），这为建立物理退化模型与数据驱动模型的融合机制提供了实证基础。此外，提出的在线学习框架已申请国际专利，并在三个不同行业的设备监测系统中实现商业化应用。

未来技术演进方向主要集中于三个方面：首先，开发基于数字孪生的权重预训练机制，以提升新设备监测模型的泛化能力；其次，构建多模态数据融合的动态权重优化框架，整合振动信号、温度数据、油液分析等多源信息；最后，研究动态权重在复杂工况下的鲁棒性提升方案，特别是应对设备频繁启停、负载波动等工业现场常见问题。研究团队正在与工业界合作开发支持动态权重在线更新的监测系统原型，计划在2024年完成首台套工业设备的商业化部署。