إطار عمل متعدد القنوات مع دمج البيانات لعدة مستويات لتشخيص الأعطال في الآلات الدوارة تحت بيانات متحيزة شديدة A multi-channel data fusion-enabled multilevel graph-guided framework for fault diagnosis in rotating machinery under extreme biased data

شارك:
المجلة: Information Fusion، المجلد: 134
DOI: https://doi.org/10.1016/j.inffus.2026.104339
تاريخ النشر: 2026-04-04
المؤلف: Yue Yu وآخرون
الموضوع الرئيسي: تقنيات تشخيص أعطال الآلات

نظرة عامة

تقدم ورقة البحث إطار عمل متعدد المستويات مدعوم بدمج البيانات متعددة القنوات لتشخيص الأعطال (MSGFD)، والذي يهدف إلى تحسين تشخيص الأعطال في الآلات الدوارة تحت ظروف عدم توازن البيانات الشديد. من خلال استخدام إشارات من مستشعرات متعددة، يحسن الإطار دقة التشخيص من خلال نهج منظم يتضمن معالجة مسبقة فعالة للإشارات متعددة القنوات إلى تنسيقات متوافقة مع الرسوم البيانية. يستخدم MSGFD آلية بناء MultiGraph التي تلتقط كل من المعلومات التمييزية والتكميلية للأعطال من خلال أربعة طوبولوجيات رسومية متميزة.

لمواجهة التحديات التي تطرحها الإشراف المحدود في مجموعات البيانات غير المتوازنة، يدمج الإطار بنية تعلم متعددة المستويات تجمع بين شبكة الإدراك المتعدد الطبقات الرسومية (MLP) ومحول الرسوم البيانية، مما يمكّن من نمذجة الاعتماديات المحلية والعالمية للميزات. بالإضافة إلى ذلك، يتم تقديم خسارة التجميع المعتمدة على التباين العميق (DDC) لتعزيز قابلية الفصل بين الفئات والتراص داخل الفئة. تظهر النتائج التجريبية عبر سيناريوهات عدم التوازن المختلفة قوة وفعالية MSGFD، الذي يتفوق باستمرار على الأساليب الحديثة. ستركز الأعمال المستقبلية على توسيع MSGFD لتعميم المجال المفتوح غير المتوازن باستخدام استراتيجيات التعلم الميتا، بالإضافة إلى دمج تقنيات مقاومة الضوضاء واستكشاف النشر عبر الإنترنت للتطبيقات الصناعية في الوقت الحقيقي.

مقدمة

تسلط مقدمة ورقة البحث هذه الضوء على الدور الحاسم للآلات الدوارة في الأنظمة الصناعية والتحديات المرتبطة بالأعطال التي يمكن أن تؤدي إلى مشاكل في الإنتاجية والسلامة. لمعالجة هذه التحديات، يتم استخدام تقنيات التعلم الآلي (ML) بشكل متزايد لربط بيانات المراقبة بحالات صحة الآلات الدوارة. تشمل التقدمات الملحوظة في هذا المجال دمج طرق تشخيص الأعطال المدفوعة بالتوأم الرقمي وتطوير نماذج قابلة للتفسير لتشخيص أعطال المحامل. ومع ذلك، تحدد الورقة قيودًا كبيرة في الأساليب الحالية للتعلم العميق (DL)، لا سيما اعتمادها على إشارات القناة الواحدة، التي تفشل في التقاط الديناميات الكاملة للآلات، والتحديات التي تطرحها عينات الأعطال غير المتوازنة.

لتجاوز هذه القيود، يقترح المؤلفون إطار عمل جديد مدعوم بدمج البيانات متعددة القنوات (MSGFD) لتشخيص الأعطال تحت بيانات متحيزة بشكل شديد. يتضمن هذا الإطار تقنيات معالجة بيانات مبتكرة تحول الإشارات متعددة القنوات إلى صور RGB، مما يعزز تمثيل الخصائص الزمنية والطيفية. بالإضافة إلى ذلك، يقدم وحدة تعلم استقرائي للميزات (FIL) لتنسيق الميزات المستخرجة من هذه الصور، إلى جانب استراتيجية توليد MultiGraph لتحسين دقة تشخيص الأعطال. تهدف الطريقة المقترحة إلى ضمان تدريب فعال من خلال خسارة التجميع المعتمدة على التباين العميق (DDC)، مما يعزز كل من قابلية الفصل بين الفئات والتراص داخل الفئة. تعد الورقة بتأكيد تجريبي واسع عبر أربع دراسات حالة لإظهار جدوى وفعالية إطار MSGFD.

طرق

في هذا القسم، يوضح المؤلفون الطرق المستخدمة لتقييم أداء نظام تشخيص الأعطال المعمم متعدد المستشعرات (MSGFD) المقترح. تشمل التقييمات تحليلًا مقارنًا ضد عدة تقنيات حديثة لتشخيص الأعطال تحت ظروف بيانات متحيزة بشكل شديد. لضمان موثوقية النتائج، تم اختبار كل طريقة عشر مرات، مما يسمح بتقييم قوي للأداء.

تشمل المقارنة الطرق التالية: 1) MSGFD، النهج المقترح؛ 2) CNN المحسنة المعتمدة على بيانات متعددة المستشعرات (MSICNN)، التي تستخدم هياكل CNN المعززة أحادية البعد وثنائية البعد جنبًا إلى جنب مع تقنيات مثل تطبيع المجموعة والتخلي عن البيانات لتحسين المتانة؛ 3) شبكة الاعتقاد العميق المحسنة (DBN) المعتمدة على بيانات متعددة المستشعرات (MSIDBN)، التي تستخدم آلات بولتزمان المقيدة المحسنة (RBMs) وتحويل فورييه السريع (FFT) لاستخراج الميزات بشكل أفضل؛ 4) شبكة الالتفاف الرسومية المحسنة (GCN) المعتمدة على بيانات متعددة القنوات (IM-CGCN)، المصممة لتعزيز جودة الرسم البياني وتسهيل دمج الميزات؛ 5) محول دمج المعلومات متعددة المستشعرات (MSIFT)، الذي يدمج معالجة البيانات واستخراج الميزات مع محول مزدوج التدفق لمعالجة قيود البيانات؛ و 6) شبكة GCN المعتمدة على بيانات متعددة المستشعرات مع التركيز على أهمية المرحلة الثانية (I²SGCN)، التي تركز على تشخيص الأعطال عبر المجالات من خلال دمج مستشعرات متعددة واستراتيجيات تعلم تحت الرسم البياني.

مناقشة

تسلط قسم المناقشة في ورقة البحث الضوء على التقدمات في هياكل التعلم العميق، مع التركيز بشكل خاص على الشبكات العصبية الالتفافية (CNNs)، والشبكات العصبية الرسومية (GNNs)، ومحولات الرسوم البيانية. تم تأسيس CNNs كأدوات قوية لاستخراج الميزات عبر تطبيقات متنوعة، حيث تستخدم طبقات للالتفاف، والتفعيل، والتجميع، والإخراجات المتصلة بالكامل. يتم تقديم الصيغ الرياضية لعمليات CNN، مع التأكيد على أدوار الأوزان، والانحيازات، ودوال التفعيل. يتم تقديم GNNs كوسيلة لمعالجة بيانات الرسوم البيانية، مع تعزيز تقنيات الالتفاف الطيفي لفعاليتها. يناقش القسم أيضًا دمج توسعات متعددة الحدود لشيبشيف لتحسين أداء نواة الالتفاف.

تهدف الطريقة المقترحة، وهي شبكة موجهة متعددة المستويات (MSGFD)، إلى تحسين تشخيص الأعطال باستخدام بيانات متعددة القنوات تحت ظروف شديدة. تتضمن تقنيات معالجة بيانات مبتكرة لتحويل الإشارات أحادية البعد إلى صور زمنية-ترددية RGB، مما يعالج قيود الطرق التقليدية. يتضمن إطار MSGFD مكونات لتوليد MultiGraph، وتعلم استقرائي للميزات، ودمج الميزات العالمية والمحلية (GLFF)، مما يعزز في النهاية أداء التشخيص. تؤكد الورقة على أهمية هذه المكونات في التقاط العلاقات بين العينات والتخفيف من تنافس الميزات، مما يؤدي إلى تحسين الدقة في مهام تشخيص الأعطال. يتم التحقق من صحة الهيكل العام من خلال تجارب واسعة، مما يظهر أداءً متفوقًا مقارنة بالأساليب الحالية.

Journal: Information Fusion, Volume: 134
DOI: https://doi.org/10.1016/j.inffus.2026.104339
Publication Date: 2026-04-04
Author(s): Yue Yu et al.
Primary Topic: Machine Fault Diagnosis Techniques

Overview

The research paper introduces the Multi-channel data fusion-enabled Multilevel Graph-guided Framework for Diagnosis (MSGFD), aimed at enhancing fault diagnosis in rotating machinery under conditions of extreme data imbalance. By utilizing signals from multiple sensors, the framework improves diagnostic accuracy through a structured approach that includes efficient preprocessing of multi-channel signals into graph-compatible formats. The MSGFD employs a MultiGraph construction mechanism that captures both discriminative and complementary fault information through four distinct graph topologies.

To tackle the challenges posed by limited supervision in imbalanced datasets, the framework integrates a multilevel learning architecture that combines a Graph Multilayer Perceptron (MLP) and a Graph Transformer, enabling the modeling of local and global feature dependencies. Additionally, a deep divergence-based clustering (DDC) loss is introduced to enhance inter-class separability and intra-class compactness. Experimental results across various imbalance scenarios demonstrate the robustness and effectiveness of MSGFD, which consistently outperforms state-of-the-art methods. Future work will focus on extending MSGFD to imbalanced open-set domain generalization using meta-learning strategies, as well as incorporating noise-robust techniques and exploring online deployment for real-time industrial applications.

Introduction

The introduction of this research paper highlights the critical role of rotating machinery in industrial systems and the associated challenges of failures that can lead to productivity and safety issues. To address these challenges, Machine Learning (ML) techniques are increasingly employed to correlate monitoring data with the health states of rotating machinery. Notable advancements in the field include the integration of digital twin-driven fault diagnosis methods and the development of interpretable models for bearing fault diagnosis. However, the paper identifies significant limitations in existing deep learning (DL) approaches, particularly their reliance on single-channel signals, which fail to capture the full dynamics of machinery, and the challenges posed by imbalanced fault samples.

To overcome these limitations, the authors propose a novel multi-channel data fusion-enabled multilevel graph-guided framework (MSGFD) for fault diagnosis under extreme biased data. This framework incorporates innovative data preprocessing techniques that transform multi-channel signals into RGB images, enhancing the representation of temporal and spectral characteristics. Additionally, it introduces a feature inductive learning (FIL) module to harmonize the features extracted from these images, alongside a MultiGraph generation strategy to improve fault diagnosis accuracy. The proposed method aims to ensure effective training through deep divergence-based clustering (DDC) loss, promoting both inter-category separability and intra-category compactness. The paper promises extensive experimental validation across four case studies to demonstrate the feasibility and effectiveness of the MSGFD framework.

Methods

In this section, the authors outline the methods employed to evaluate the performance of their proposed Multi-Sensor Generalized Fault Diagnosis (MSGFD) system. The evaluation involves a comparative analysis against several state-of-the-art (SOTA) fault diagnosis techniques under conditions of extreme biased data. To ensure the reliability of the results, each method was tested ten times, allowing for a robust assessment of performance.

The comparison includes the following methods: 1) MSGFD, the proposed approach; 2) Improved CNN based on multi-sensor data (MSICNN), which utilizes enhanced one-dimensional and two-dimensional CNN architectures along with techniques like group normalization and dropout for improved robustness; 3) Improved Deep Belief Network (DBN) based on multi-sensor data (MSIDBN), which employs improved Restricted Boltzmann Machines (RBMs) and Fast Fourier Transform (FFT) for better feature extraction; 4) Improved Graph Convolutional Network (GCN) based on multi-channel data (IM-CGCN), designed to enhance graph quality and facilitate feature fusion; 5) Multi-sensor Information Fusion Transformer (MSIFT), which integrates preprocessing and feature extraction with a dual-stream transformer for addressing data limitations; and 6) Two-stage Importance-aware GCN based on multi-sensor data (I²SGCN), which focuses on cross-domain fault diagnosis through multi-source sensor integration and subgraph learning strategies.

Discussion

The discussion section of the research paper highlights the advancements in deep learning architectures, particularly focusing on Convolutional Neural Networks (CNNs), Graph Neural Networks (GNNs), and Graph Transformers. CNNs are established as powerful tools for feature extraction across various applications, employing layers for convolution, activation, pooling, and fully-connected outputs. The mathematical formulations for CNN operations are presented, emphasizing the roles of weights, biases, and activation functions. GNNs are introduced as a means to process graph data, with spectral graph convolution techniques enhancing their effectiveness. The section also discusses the integration of Chebyshev polynomial expansions to improve the convolution kernel’s performance.

The proposed method, a multilevel graph-guided network (MSGFD), aims to optimize fault diagnosis using multichannel data under extreme conditions. It incorporates innovative data preprocessing techniques to convert one-dimensional signals into RGB time-frequency images, addressing the limitations of traditional methods. The MSGFD framework includes components for MultiGraph generation, feature inductive learning, and global and local feature fusion (GLFF), ultimately enhancing diagnostic performance. The paper emphasizes the importance of these components in capturing inter-sample relationships and mitigating feature competition, leading to improved accuracy in fault diagnosis tasks. The overall architecture is validated through extensive experiments, demonstrating superior performance compared to existing methods.