基于机械特征令牌的掩码重构技术，实现可变工况柴油发动机的零样本故障预警

《Engineering Applications of Artificial Intelligence》：Zero-sample fault early warning of variable-condition diesel engines via masked reconstruction on mechanistic tokens

　　朱世龙|莫航峰|姬淑德|蒋志勇|冯福州|毛志伟
教育部长官发动机健康监测-控制与网络化重点实验室，北京化工大学，北京100029，中国

摘要
柴油发动机故障的早期检测对于运行安全和效率至关重要，但在多变的工作条件下，由于信号干扰强烈和标记故障数据有限，这一任务仍然充满挑战。现有的故障检测方法通常依赖于大量的标记数据集或假设稳定的运行条件，这限制了它们的实际应用性。为了解决这些问题，本文提出了一种基于机械令牌掩码重建的零样本预警框架。在该框架中，每个发动机循环在曲轴角度域中对齐并围绕关键机械事件进行分割；每个分割被编码成一个包含物理可解释统计特征的紧凑向量，形成一系列机械令牌。通过自监督训练的轻量级Transformer编码器，仅使用正常运行数据即可重建随机掩码的令牌，从而在不需要故障样本的情况下学习事件之间的上下文依赖关系。在推理过程中，令牌级别的重建残差提供了用于预警的异常分数，以及一个残差图，该图可以根据令牌的物理语义和角度位置实现故障阶段的定位。在具有失火和气门间隙故障的柴油发动机上进行的多速度-负载条件实验表明，我们的方法在令牌级别异常检测、可解释的故障定位以及跨工作条件的鲁棒性方面表现出色。

引言
柴油发动机广泛应用于能源、运输、船舶动力和工业系统等领域，其运行可靠性与安全性、效率和维护成本密切相关。然而，在实际应用中，柴油发动机经常在高度变化的环境中运行，包括负载波动、转速变化和长期高应力环境。这些因素使得测量的振动信号变得非平稳、嘈杂且结构复杂，从而给状态监测、异常检测和早期故障预警带来了巨大挑战（Orhan和Celik，2024；Torres等人，2024；Xu等人，2023）。此外，由于在许多工业场景中预防性维护仍然占主导地位，标记的故障数据往往稀缺，在许多情况下只能收集到足够数量的正常条件数据（Liang等人，2023）。因此，开发一种能够在多变条件下可靠运行且故障标签有限的鲁棒故障预警方法仍然是智能柴油发动机健康监测的核心问题（Jiang等人，2022）。

传统的柴油发动机故障预警方法通常依赖于手动选择的特征和经验设计的阈值。尽管这些方法通常具有明确的物理意义，但当运行条件改变或出现未见过的故障模式时，它们的适应性有限。在实际应用中，经常需要针对不同的速度、负载或发动机状态重新校准阈值，这增加了人为干预并降低了实际部署的鲁棒性（Wrzask等人，2024；Li等人，2024；Li等人，2024）。为了克服这些缺点，机器学习和深度学习方法越来越多地被引入到柴油发动机故障诊断和状态监测中。现有研究表明，数据驱动模型在噪声环境、多变工作条件和多传感器设置下可以提高诊断性能（Xu等人，2023；Liang等人，2023；Jiang等人，2022；Wrzask等人，2024；Li等人，2024）。尽管取得了这些进展，大多数基于深度学习的方法仍然严重依赖足够的标记故障数据和稳定的数据分布。当故障样本稀缺且运行条件不断变化时，它们的泛化能力和实际解释性往往不足以满足可靠的工业部署需求（Jin等人，2024；Afanaseva等人，2025；Lv等人，2024）。

为了减少对标记故障数据的依赖，最近的研究开始探索少样本和零样本范式进行故障诊断和异常检测（Jie等人，2023；Leite等人，2023）。其中一些方法结合了数据驱动诊断和数字孪生辅助或迁移学习来提高性能（Li等人，2024；Zhang等人，2024；P. Liu等人，2023）。其他方法依赖于正常数据重建、自适应阈值调整或记忆增强重建框架来进行异常检测，而无需足够的故障标签（Yue等人，2025；Jiang等人，2024；Duan等人，2024；Lu等人，2025）。尽管这些方法表明即使在无法获得或极度有限的故障样本的情况下也可以进行异常检测，但大多数方法仍然依赖于全局重建或预测差异来确定信号是否异常。因此，虽然它们可能识别出异常的存在，但它们通常难以确定异常发生在发动机循环的哪个位置，并且当运行条件变化时性能可能会显著下降。

除了数据驱动方法外，相关工程领域的最新研究强调了结合不确定性感知建模和多源信息融合对于可靠故障诊断的重要性。例如，结合统计方法、小波变换等信号处理技术和机器学习模型的综合诊断框架在变压器状态监测中展示了更好的鲁棒性（Karimi等人，2024；Baroumand等人，2025）。此外，在复杂系统（如微电网调度和分散控制）中的不确定性感知决策策略突出了处理现实世界环境中的变异性和不完整信息的必要性（Karimi等人，2025）。从信息论的角度来看，基于熵和交叉熵分析的先进方法也被探索用于提高对系统响应微妙变化的敏感性（Parkash和Abbasi，2023）。这些研究表明，在实际条件下进行有效故障诊断不仅需要强大的数据驱动模型，还需要能够捕捉不确定性、整合多层次信息并提供可解释决策依据的机制。然而，这些理论考虑在柴油发动机故障预警中的探索仍然不足，特别是在涉及多变工作条件和零故障样本的情景中。

此外，柴油发动机振动信号的一个重要特点是，故障敏感信息通常不会在整个循环中均匀分布。相反，许多异常特征集中在与特定机械事件（如燃烧冲击和气门相关冲击）相关的特定曲轴角度区域。这一观察结果与局部补丁或令牌建模的思想一致，该思想在序列分析和异常检测中最近受到了越来越多的关注（Ma等人，2023；Cao等人，2025）。现有研究表明，局部划分可以提高对异常区域的敏感性，并在视觉和时间域中增强异常定位（Zhu等人，2024；Wu等人，2024）。同时，掩码重建已成为复杂序列建模的有效自监督学习范式，并在时间序列分析和异常检测中展现了强大的表示能力（Chang等人，2024；Zhao等人，2024；Su等人，2024）。在机械应用中，最近的研究进一步探索了受Transformer启发的架构、先验知识引导的表示和掩码令牌预测，用于状态监测和故障诊断（Tao等人，2025；Peng等人，2025；Gu等人，2024；Du等人，2025）。然而，大多数这些方法仍然将振动信号视为通用令牌序列，这往往导致模型复杂度高、物理解释性有限，并且在不变工作条件下的机械级部署中适用性不足（Alnegheimish等人，2024；Pang等人，2024；Bian等人，2024；Lee等人，2024；Ruff等人，2021）。

总体而言，现有的柴油发动机故障预警方法在现实工业环境中仍面临三个主要限制。首先，许多方法严重依赖标记故障数据或固定条件基线，这限制了它们在无故障和变条件情景下的应用性。其次，基于全局重建或预测的方法通常只能提供粗略的异常分数，难以精确识别发动机循环内的异常阶段。第三，直接对原始振动补丁进行建模虽然保留了数据复杂性，但并未明确编码不同机械事件的物理语义。因此，需要一个更合适的框架——一个无需故障标签即可运行、保留物理可解释性，并能在不同工作条件下提供异常行为的细粒度定位的框架。为了解决这些问题，本文提出了一个基于机械令牌化的掩码重建框架，用于柴油发动机故障预警。所提出的方法将每个曲轴角度循环表示为一系列具有物理意义的机械令牌，通过仅使用正常条件数据进行自监督掩码重建来学习它们的上下文依赖性，并使用令牌级别的残差来支持异常检测和可解释的故障阶段定位。本研究的主要贡献总结如下：（1）提出了一个在曲轴角度域中的机械令牌化策略，用细粒度、具有物理意义的令牌表示每个发动机循环，而不是直接建模原始振动补丁，从而在多变工作条件下提高表示的稳定性和解释性；（2）开发了一个自监督掩码重建框架，仅使用正常条件数据来学习机械令牌之间的上下文依赖性，实现无需标记故障样本的零样本故障预警；（3）引入了令牌级别残差分析方案，不仅实现异常检测，还能通过将异常令牌映射回它们的曲轴角度位置和相应的机械事件来实现可解释的故障阶段定位；（4）在多条件 and 跨条件情景下进行了全面实验，以验证所提出框架的有效性、解释性和鲁棒性。

本文的其余部分组织如下。第2节回顾相关工作。第3节介绍提出的方法论，包括机械令牌化、掩码重建训练和带有定位的令牌级别异常检测。第4节报告多条件和跨条件情景下的实验验证。第5节总结了本文并讨论了未来的工作。

相关工作
与本研究相关的工作可以大致分为三个方向：工业时间序列异常检测、用于时间序列表示的自监督掩码学习以及具有事件同步分割的物理指导建模。在工业时间序列异常检测中，大量现有研究依赖于基于重建或基于预测的范式。基于重建的方法，如自动编码器、卷积自动编码器等...

问题表述和动机
在复杂环境中运行的柴油发动机面临诸如负载持续变化、信号干扰强烈和故障样本稀缺等显著挑战，这些限制了基于阈值或监督的故障预警方法的泛化能力和实用性。如图1所示，这些挑战可以归因于三个主要方面：（a）正常状态基线的动态变化，即使在健康振动信号在不同工作条件下也有显著差异...

实验设置和数据集描述
提出的令牌级别异常检测和故障定位框架已在TBD234海洋柴油发动机测试台上进行了实验验证，如图6(a)所示。TBD234是一种12缸、四冲程、V型发动机，由两个气缸组（A和B）组成，每组各有六个气缸。TBD234V12柴油发动机的关键参数如表3所示。测试台主要包括柴油发动机、液压测功机、水冷系统和高速数据采集系统...

结论和未来工作
本文提出了一种机械令牌掩码自监督方法，用于零样本柴油发动机故障检测，该方法通过多台柴油发动机上的故障模拟实验以及真实世界的故障数据得到了验证。在单单元多条件情景下，平均异常检测准确率达到98.30%，定位准确率达到95.47%。在交叉工作条件下，平均检测和定位准确率分别为95.34%和92.58%。

作者贡献声明
朱世龙：撰写——原始草稿、可视化、软件、方法论、数据整理、概念化。莫航峰：撰写——审核与编辑、调查、概念化。姬淑德：撰写——审核与编辑。蒋志勇：撰写——审核与编辑。冯福州：撰写——审核与编辑、监督。毛志伟：撰写——审核与编辑、监督、项目管理、方法论。

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会影响本文所述的工作。