异构设备罕见故障预测的可迁移自逻辑模型

# 一种可迁移的自逻辑模型，用于预测异构设备中的罕见故障
Source: https://arxiv.org/html/2608.06695
###### 摘要

在故障发生之前预测故障仍是预测性维护中的主要挑战，尤其是当故障罕见、同一设备家族中的设备传感器配置不同，以及目标是预判而非诊断已观察到的故障时。本文提出了一种公共到目标的概率模型，该模型学习跨异构设备家族共享的故障相关模式，并简洁地适应目标设备。该模型显式考虑传感器异构性、运行环境和退化动力学，以生成适用于维护规划的校准故障概率估计。其性能在一个合成的冰箱数据集上进行了评估，该数据集包含27台模拟冰箱，具有不同的传感器配置、运行条件和故障类型，为评估公共模型对目标设备的泛化能力提供了一个受控环境。

###### 关键词:

预测性维护，故障预测，自逻辑回归，监督自编码器，迁移学习，异构传感，概率估计

††journal:Reliability Engineering & System Safety\\affiliation
organization=Département d’informatique, Université de Sherbrooke, addressline=2500 boulevard de l’Université, city=Sherbrooke, postcode=J1N 3C6, state=QC, country=Canada

## 1 引言

许多设备越来越多地通过传感器进行监测，这些传感器记录随时间变化的测量值，从而使得从反应性维护（即故障发生后进行干预）转向预测性维护（即在故障中断正常运行之前预判故障）成为可能。这对于重复或连续运行的设备尤为重要，因为意外故障可能导致服务中断、存储物品损失、安全问题或额外的维护成本。在本文中，故障定义为影响一个或多个组件的异常状态，此后设备不再表现为预期，可能需要维护操作。在故障发生之前，退化可能逐渐影响设备行为，并修改一个或多个传感器输出变量。因此，异常模式可能出现在温度、压力、电流、振动或组件状态测量值中，在故障变得可观察之前出现，因此故障预测包括在给定观察时间估计故障是否会发生。

这个预测问题困难有两个主要原因。首先，故障是罕见的：只有少数观察与未来故障相关，而大多数观察对应正常操作Carvalhoet al.[2019 (https://arxiv.org/html/2608.06695#bib.bib2)], Zontaet al.[2020 (https://arxiv.org/html/2608.06695#bib.bib24)], Syedet al.[2025 (https://arxiv.org/html/2608.06695#bib.bib17)]. 这造成了强烈的类不平衡，使得学习可靠的故障前模式变得困难。其次，退化可能分布在多个随时间变化的测量中，而不是出现在单个传感器输出变量中Nuneset al.[2023 (https://arxiv.org/html/2608.06695#bib.bib26)], Leukelet al.[2021 (https://arxiv.org/html/2608.06695#bib.bib43)], Dangutet al.[2023 (https://arxiv.org/html/2608.06695#bib.bib44)]. 当模型必须应用于同一设备家族中的异构设备时，问题变得更加复杂。设备家族包括执行相同功能并遵循相似物理原理的相关设备，但可能在传感器配置、校准、运行条件和使用情况方面有所不同。这些差异使得直接应用模型变得困难，尤其是当可用的传感器输出变量或其量纲在不同设备之间不同时。

本文提出了一种用于跨异构设备故障预测的公共到目标概率模型。该模型从训练设备中学习，然后使用有限的目标数据专门适应目标设备。这里，目标设备指同一家族中被排除在公共模型训练之外、随后用于适应和评估的设备。主要贡献包括：一个用于异构设备的公共到目标模型；一种结合公共传感器空间、可用性掩码和上下文变量的表示；一个基于监督潜向量、类权重和最大后验（MAP）参数估计的概率自逻辑模型；一种使用公共模型作为先验信息的目标特定适应策略；以及一个基于维护导向指标评估检测、提前期和误报警的实验评估。

所提出的方法在由27台冰箱组成的一个受控合成数据集上进行了评估。冰箱被用作案例研究，因为它们连续运行、生成多变量传感器输出时间序列，并表现出异构传感器配置、变化的运行条件和多种退化机制。17台冰箱用作训练设备来估计公共模型，而10台用作目标设备，用于公共模型预测、目标特定适应和评估。实验评估公共模型是否可以应用于目标设备，以及目标特定适应是否改善故障检测并减少误报警。本文的其余部分组织如下：第2节回顾相关工作。第3节定义故障预测问题和异构设备数据的表示。第4节提出预测模型。第5节解释公共模型如何专门适应目标设备。第6节描述合成数据集和评估协议。第7节报告并讨论结果。第8节总结全文。

## 2 相关工作

由于本文重点研究故障预测，本节回顾与所提出问题四个方面的已有工作，即罕见故障下的故障预测、相关设备间的迁移、异构传感器配置和概率时间建模。多项综述表明，预测性维护已通过异常检测、故障检测、诊断、剩余使用寿命估计和故障预测等方式得到研究Carvalhoet al.[2019 (https://arxiv.org/html/2608.06695#bib.bib2)], Zontaet al.[2020 (https://arxiv.org/html/2608.06695#bib.bib24)], Syedet al.[2025 (https://arxiv.org/html/2608.06695#bib.bib17)]. 然而，故障预测受到的关注少于故障检测、诊断和剩余使用寿命估计，尽管在需要在故障发生前做出维护决策时，故障预测直接相关Leukelet al.[2021 (https://arxiv.org/html/2608.06695#bib.bib43)]. 最近的综述也强调了在故障罕见、数据异构且运行条件变化时应用数据驱动预测性维护的困难Nuneset al.[2023 (https://arxiv.org/html/2608.06695#bib.bib26)], Ucaret al.[2024 (https://arxiv.org/html/2608.06695#bib.bib22)], Moledaet al.[2023 (https://arxiv.org/html/2608.06695#bib.bib34)]. 在本工作中，由于预测模型必须应用于同一设备家族中的异构设备，难度进一步增加。

第一个困难是故障罕见。只有小比例的观察后面紧跟着故障，这造成了强烈的类不平衡，并可能使模型估计不稳定。因此，加权方法已被研究，以减少罕见故障场景中不平衡的影响He and Cheng [2021 (https://arxiv.org/html/2608.06695#bib.bib30)]. 罕见故障下的故障预测也已在家庭设备中通过共同演进的时间序列进行研究，显示出概率时间模型对这一问题的相关性Mecheriet al.[2024 (https://arxiv.org/html/2608.06695#bib.bib20)]. 其他方法估计未来时间段内的故障概率，以支持维护规划Fuet al.[2023 (https://arxiv.org/html/2608.06695#bib.bib45)], Chenet al.[2023 (https://arxiv.org/html/2608.06695#bib.bib46)]. 罕见故障也已在飞机预测性维护中考虑，主要困难是从少数故障观察中识别故障相关模式Dangutet al.[2023 (https://arxiv.org/html/2608.06695#bib.bib44)]. 这些工作将维护制定为未来故障概率估计，而不仅仅是对当前状态的分类。然而，其中许多方法假设固定的传感器配置或单一运行环境。这限制了它们在同一预测模型必须应用于具有不同传感器配置、运行条件或使用情况的相关设备时的使用。

家庭设备、热力设备和建筑设施为这个问题提供了相关的应用环境，因为它们由传感器输出时间序列监测，并且可能在故障前表现出渐进退化。现有工作已提出用于识别家电维护需求的数据集和监测模型Fonsecaet al.[2023 (https://arxiv.org/html/2608.06695#bib.bib5)]. 预测性维护也已在建筑设施和车队管理中研究，其中运行环境和使用条件影响维护决策Bouabdallaouiet al.[2021 (https://arxiv.org/html/2608.06695#bib.bib27)], Giannoulidis and Gounaris [2023 (https://arxiv.org/html/2608.06695#bib.bib11)], Zeng and Liang [2023 (https://arxiv.org/html/2608.06695#bib.bib12)]. 制冷系统、疫苗冰箱、冷水机组和暖通空调系统主要被研究用于故障检测和诊断Kim and Kim [2021 (https://arxiv.org/html/2608.06695#bib.bib9)], Soltaniet al.[2022 (https://arxiv.org/html/2608.06695#bib.bib16)], Abhiramanet al.[2023 (https://arxiv.org/html/2608.06695#bib.bib1)], Wang [2026 (https://arxiv.org/html/2608.06695#bib.bib23)]. 基于物联网的监测也已用于制冷设备的故障检测或预测Kokosińskiet al.[2025 (https://arxiv.org/html/2608.06695#bib.bib10)]. 这些工作表明，传感器输出时间序列可以支持家庭和热力设备的维护决策。然而，其中大多数聚焦于检测或诊断现有故障，或针对特定设备配置。它们通常不涉及跨异构设备家族的未来故障的概率预测。

这一局限性促使在同一设备家族的设备间进行迁移。为每个目标设备独立训练模型往往不现实，因为故障罕见，目标数据可能包含很少的故障观察。因此，迁移学习已被引入预测性维护，以重用从训练设备学习到的信息Azariet al.[2023 (https://arxiv.org/html/2608.06695#bib.bib15)], Yadavet al.[2024 (https://arxiv.org/html/2608.06695#bib.bib42)]. 部分迁移学习、少样本学习和自监督表示学习也已被研究，以减少数据受限条件下故障诊断所需的目标数据量Liet al.[2020 (https://arxiv.org/html/2608.06695#bib.bib41)], Wanget al.[2021 (https://arxiv.org/html/2608.06695#bib.bib35), 2024b (https://arxiv.org/html/2608.06695#bib.bib36), 2024a (https://arxiv.org/html/2608.06695#bib.bib37)]. 应用包括冷水机组、建筑能源系统、风力涡轮机和海上风力涡轮机van de Sandet al.[2021 (https://arxiv.org/html/2608.06695#bib.bib18)], Liet al.[2023 (https://arxiv.org/html/2608.06695#bib.bib14), 2021 (https://arxiv.org/html/2608.06695#bib.bib13)], Trizoglouet al.[2021 (https://arxiv.org/html/2608.06695#bib.bib21)]. 域自适应方法也已被提出用于运行条件变化下的暖通空调故障诊断Ghalamsiahet al.[2025 (https://arxiv.org/html/2608.06695#bib.bib28), 2026 (https://arxiv.org/html/2608.06695#bib.bib29)]. 数字孪生和物理引导迁移已被用于缩小模拟设备与物理设备之间的差距Wanget al.[2023 (https://arxiv.org/html/2608.06695#bib.bib39)], Lohalekaret al.[2025 (https://arxiv.org/html/2608.06695#bib.bib40)]. 然而，这些工作中大多数解决故障诊断或故障类型分类问题，而不是在有限目标数据下进行概率故障预测。

迁移的一个具体障碍是，同一设备家族的设备可能不共享相同的传感器配置。某些传感器输出可能因设计而永久缺失，而其他传感器输出可能因传感器故障、通信丢失或无效读数而暂时不可用。这个问题与传感器集不匹配、特征异构性和多变量时间序列中的缺失数据有关。特征对齐和域自适应方法旨在使训练设备和目标设备之间的表示更具可比性。传感器本体（如SSN）提供了传感器、观察和测量量的正式描述Halleret al.[2019 (https://arxiv.org/html/2608.06695#bib.bib8)]. 知识图谱方法可以以一致的形式表示设备结构和维护信息Zhaoet al.[2025 (https://arxiv.org/html/2608.06695#bib.bib19)]. 感知缺失数据的模型（如GRU-D）表明，缺失模式可能包含有用信息，不应总是被视为噪声Cheet al.[2018 (https://arxiv.org/html/2608.06695#bib.bib3)]. 这些工作