一种基于复合特征提取和多传感器序列链图融合的AUV故障诊断方法

自主水下车辆多传感器时序数据特征提取不足，制约故障诊断精度。本文提出SCGNN框架，通过物理启示的时序链式图（SCG）构建方法，将多传感器时间序列转化为紧凑链式图结构，结合复合特征提取与图聚合融合策略，有效捕捉传感器间耦合关系与时空演化特征，显著提升诊断准确率。实验表明在Haizhe数据集上准确率达99.59%，并成功应用于Beaver-Ⅲ实际水池验证。

　　

You Zhang|Xing Liu|Ning Gai|Mingjun Zhang

摘要

自主水下航行器（AUV）作为在复杂海洋环境中运行的无缆自主系统，其自身安全至关重要。故障诊断是确保AUV可靠性和运行安全性的技术基础。然而，主流的故障诊断方法在特征提取方面往往缺乏足够的表示能力，这阻碍了深度敏感特征的有效提取，从而导致诊断精度不够理想。为了解决这些问题，本研究提出了一种基于多传感器序列链图复合特征提取和融合的新型AUV故障诊断方法。首先，利用AUV的大惯性特性，引入了一种序列链图构建方法，将多传感器时间序列数据转换为图结构化数据。其次，开发了一种复合特征提取和特征融合方法，能够从单个传感器中提取AUV特征以及传感器之间的相关特征，然后通过图聚合进行特征融合。最后，采用故障模式识别来识别AUV的故障状态。在‘Haizhe’ AUV数据集上的实验结果表明，所提出的方法在AUV故障诊断方面的准确率达到99.59%，这是迄今为止该数据集报告的最高准确率；进一步的Beaver-Ⅲ AUV池实验进一步验证了其在实际条件下的有效性。

引言

随着对海洋探索和海洋资源开发需求的增加，自主水下航行器（AUV）由于其广泛的作业范围和高灵活性而变得不可或缺（Wang等人，2023年）。作为在复杂且高度不确定的水下环境中运行的无缆系统，AUV必须保持高可靠性和安全性，其中故障诊断在确保任务成功和运行安全方面起着基础性作用（Du等人，2025年）。

现有的故障诊断方法大致可以分为基于模型和基于数据的方法（Gawde等人，2023年）。基于模型的方法通过将系统测量值与模型输出进行比较来检测故障（Shi和Zhang，2021年），但由于AUV的非线性、时变动态和环境干扰，构建准确的模型仍然具有挑战性（Badihi等人，2022年）。相比之下，基于数据的方法直接从历史数据中学习诊断模式，并显示出对复杂操作条件的强适应性（Neupane等人，2025年）。通过学习包含环境变化的数据（Chen等人，2023b），这些方法可以部分抵消干扰并提高诊断的鲁棒性，因此在近年来受到了越来越多的关注（Gai等人，2024年；Salinas-Camus等人，2025年）。

基于数据的故障诊断方法包括基于信号处理的、基于机器学习的和基于深度学习的方法（Chen等人，2022b）。传统的信号处理和机器学习流程通常依赖于手工制作的特征（Chen等人，2024年；Jiang等人，2024年）。例如，Das等人（Das和Birant，2023年）提出了GASEL方法，结合遗传算法和集成学习来降低复杂性并提高可解释性。然而，这种手工制作的特征往往不适用于在复杂水下环境中运行的AUV，这些AUV的特点是复杂和非线性的动态。随着人工智能的进步，深度学习在故障诊断中展示了出色的性能。通过利用其强大的自动特征提取能力，深度学习可以直接从复杂数据中发现潜在的相关性和关键信息，从而实现更高的诊断精度（Tama等人，2023年；Tang等人，2024年）。

AUV本质上是时空耦合的多传感器系统：控制输入、导航变量和运动状态动态交互，故障通常表现为随时间在传感器之间传播的模式（Du等人，2024年；Kibrete等人，2024年）。然而，许多现有的深度学习方法主要关注从单个传感器信号中提取特征或通过直接连接处理多传感器数据，这可能无法明确捕捉跨传感器耦合和故障传播的时空演变。因此，建模和挖掘反映多传感器耦合故障传播的敏感特征仍然是提高诊断可靠性和准确性的一个重要但尚未充分探索的问题。

一个明确建模传感器间相关性的研究方向是多传感器融合和相关特征提取。代表性技术包括数据加权（Li等人，2023年）、多变量统计分析（Chen等人，2022a）以及使用2D结构化表示的基于CNN的建模（Fu等人，2023年；Wang等人，2022年）。对于AUV故障诊断，Seq-CNN（JI等人，2021b）采用基于CNN的特征提取，后续工作进一步整合了KAN等高级网络以提高性能（Zhang等人，2025年）。然而，这些方法在表示所有传感器之间的全局依赖性方面可能仍然有限（Li等人，2022年），并且当底层依赖结构不规则或非欧几里得时，可能对异常值敏感或受到固定感受野的限制。

图神经网络（GNN）为建模图结构化数据中的复杂关系提供了自然的范式，并在故障诊断应用中显示出有希望的潜力（Chen等人，2022c）。通过在图边上传递消息，GNN可以捕获节点之间的直接和间接依赖性，从而实现复杂系统的关联感知表示学习（Mao等人，2024年）。最近的研究探索了使用先验知识图（Jin等人，2024年）或交互感知图构建（Chen等人，2023a）的基于图的故障诊断，以及通过KNN、相似性或注意力等数据驱动发现方法学习图结构（Xiao和Jian，2025年）。然而，对于AUV来说，由于强烈的非线性、时变动态、异构传感器类型和环境干扰，构建准确稳定的传感器到传感器拓扑结构仍然很困难。在变化条件下，先验知识图可能不准确，而纯数据驱动的发现可能会产生过于密集或冗余的连接，并忽略物理语义，从而导致特征提取质量下降和计算成本增加。

为了解决上述问题，本文提出了一种名为SCGNN的新型AUV故障诊断框架，基于多传感器序列链图（SCG）的复合特征提取和融合。所提出的SCG构建不是将传感器定义为节点并努力指定复杂的传感器到传感器边，而是采用物理信息的时间邻接原则：时间点被视为节点，每个节点连接到其k个时间邻居，形成一个紧凑的链状图拓扑，明确编码了时间依赖性。这种设计避免了模糊的传感器到传感器拓扑定义，同时为后续学习提供了标准化的图输入。在SCG的基础上，所提出的框架进一步进行复合特征提取，以捕获（i）来自单个传感器的特征和（ii）传感器之间的相关特征，然后采用专门的融合策略获得用于故障分类的区分性表示。

本工作的主要贡献总结如下。

(1)

为了解决基于GNN的AUV故障诊断构建准确图结构化数据的困难，我们提出了一种序列链图（SCG）构建方法，将多传感器时间序列数据转换为紧凑且基于物理信息的链状拓扑，为后续的故障特征提取提供了可靠的基础。

(2)

为了克服仅提取单个传感器特征的局限性，并明确建模传感器间耦合，我们提出了一种基于多传感器SCG的复合特征提取和融合方法，能够同时提取单个传感器特征和传感器之间的相关特征，然后通过有效的特征融合来提高诊断精度。

本文的其余部分组织如下。第2节概述了所提出的框架。第3节描述了SCG构建方法。第4节详细介绍了复合特征提取和融合方法。第5节报告了在‘Haizhe’ AUV数据集和Beaver-Ⅲ池测试实验上的实验结果和分析。第6节总结了本文。

部分内容

SCGNN方法

为了解决当前AUV故障诊断中特征提取不足导致的低诊断精度问题，本文提出了一种名为SCGNN的新方法。它基于多传感器序列链图的复合特征提取和融合。本节提供了我们方法的概述，其工作流程如图1所示。

如图1所示，所提出的框架包括四个主要阶段：AUV数据采集、序列链图构建

序列链图构建

图构建将多传感器时间序列数据转换为GNN可处理的结构化表示，从而为后续的特征提取和融合奠定了基础。传统方法通常将每个传感器信号视为网络中的一个节点。然而，对于传感器之间关系复杂的AUV来说，准确定义这些节点之间的图连接具有挑战性。这导致特征提取能力有限、覆盖范围不足，最终

复合特征提取和特征融合

在第3节建立了图的数据基础后，本节执行复合特征提取和融合，以揭示潜在的模式并形成高度区分性的特征表示。所提出的基于GNN的方法从序列链图中分层学习和整合多源特征，输出用于故障诊断的丰富特征向量。为了解决现有方法从单个传感器提取特征的局限性

实验结果和分析

本节评估了所提出的故障诊断方法的有效性，该方法基于多传感器SCG特征的复合提取和融合。首先介绍了‘Haizhe’ AUV故障数据集和Beaver-III池实验。随后，通过与其他已建立的诊断方法进行比较实验来评估该方法的性能。此外，还进行了消融研究，以量化每个组件的贡献

结论

主流的故障诊断方法通常难以从在复杂水下环境中获取的多传感器时间序列数据中提取足够具有区分性的表示，这限制了对AUV运行状态的表征并降低了诊断精度。为了解决这个问题，本文提出了SCGNN，这是一种基于多传感器序列链图上的复合特征提取和融合的新型AUV故障诊断框架。主要贡献如下：(1)

CRediT作者贡献声明

You Zhang：撰写——原始草案、软件、方法论、调查、形式分析、概念化。Xing Liu：撰写——审阅与编辑、监督、项目管理、资金获取。Ning Gai：验证、软件、数据管理。Mingjun Zhang：撰写——审阅与编辑、监督、方法论、资金获取。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

本工作部分得到了国家自然科学基金的支持，资助编号为52201357和51839004。