学术研究报告：基于多传感器信号融合的对抗正则化图自编码器在齿轮异常检测中的应用

一、研究团队与发表信息
本研究由西安交通大学机械工程学院的Yingchun Li、Yu Sun（IEEE会员）、Xuefeng Chen（IEEE高级会员）、Laihao Yang（IEEE会员），以及上海交通大学机械工程学院的Qingbo He（IEEE高级会员）、Xinhua Long和Zhike Peng共同完成，发表于2025年的《IEEE Transactions on Instrumentation and Measurement》（卷74，文章编号3534011）。

二、学术背景与研究目标
齿轮是工业传动系统的核心部件，其异常可能导致严重的安全事故和经济损失。传统异常检测方法（如孤立森林、单类支持向量机）难以处理多传感器信号的高维性和复杂关联性。尽管深度学习（如自编码器、生成对抗网络）在异常检测中表现优异，但现有方法多依赖单传感器数据，忽略了多传感器信号的协同信息。

本研究提出了一种新型无监督异常检测框架——对抗正则化图自编码器（Adversarial Regularized Graph Autoencoder, ARGAE），结合多尺度切比雪夫卷积编码器（Multiscale Chebyshev Convolutional Encoder, MSCE），旨在通过图结构建模多传感器信号的时空关联性，提升齿轮异常检测的准确性与鲁棒性。

三、研究流程与方法
1. 图数据集构建
- 研究对象：两个齿轮多传感器数据集（案例1：东南大学齿轮箱数据，8通道传感器；案例2：自建行星齿轮试验台数据，12通道传感器）。
- 数据处理：
- 信号通过最大-最小归一化预处理，并采用快速傅里叶变换（FFT）提取节点特征。
- 使用半径图（RadiusGraph）方法构建传感器节点间的连接关系，阈值设为0以保留所有正相关关联，形成全连接图（FCG）。
- 样本量：案例1训练集600个健康样本，测试集800个样本（含4类故障）；案例2训练集1000个健康样本，测试集1600个样本（含4类故障）。

1. 多尺度切比雪夫卷积编码器（MSCE）设计

   • 创新点：通过切比雪夫多项式近似图卷积核，融合不同尺度（k=1,2,3）的局部与全局特征。
     
   • 结构：三层切比雪夫卷积层并行提取特征，通过加法融合后经非线性激活输出。相比传统图卷积网络（GCN）和图注意力网络（GAT），MSCE能更全面地捕捉多传感器信号的层次化特征。
     

2. 对抗正则化图自编码器（ARGAE-MSCE）训练

   • 网络架构：
     
     • 编码器：两层MSCE，将输入数据映射到潜在空间。
       
     • 解码器：两层全连接层，重构节点特征矩阵。
       
     • 判别器：通过对抗训练约束潜在空间分布，使其逼近先验分布（如高斯分布）。
       
   • 损失函数：结合重构损失（L2范数）与对抗正则化损失（负对数似然），权重参数α=0.999。
     

3. 异常检测与评估

   • 异常评分：基于重构误差（输入与输出节点特征矩阵的L2距离）。
     
   • 阈值设定：以训练集健康样本的最大重构误差为检测阈值。
     
   • 评估指标：准确率、精确率、召回率、F分数（F-score）和误报率（FAR）。
     

四、主要研究结果
1. 性能对比实验
- 基线模型：稀疏自编码器（SAE）、对抗自编码器（AAE）、图自编码器（GAE）及无对抗训练的GAE-MSCE。
- 结果：ARGAE-MSCE在案例1和案例2中分别达到99.7%和99.8%的准确率，F分数显著高于其他模型（案例1：98.45%；案例2：99.12%），且误报率低于1%。
- 可视化分析：t-SNE降维显示，ARGAE-MSCE的潜在空间特征能清晰分离健康与异常样本，而对比模型存在重叠。

1. MSCE的优越性验证
   
   • 与ARGAE-GCN和ARGAE-GAT相比，MSCE的多尺度特征融合使异常检测稳定性更高（标准差更小），尤其在复杂工况下表现更优。
     

五、研究结论与价值
1. 科学价值：
- 提出了一种基于图神经网络的工业多传感器信号融合框架，解决了传统方法忽视传感器关联性的问题。
- 通过对抗正则化约束潜在空间，显著提升了模型对异常模式的区分能力。

1. 应用价值：
   
   • 为齿轮传动系统的预测性维护提供了高精度（>99%）的无监督检测工具，适用于工业场景中异常样本稀缺的挑战。
     
   • 方法可扩展至其他旋转机械（如轴承、涡轮机）的异常检测。
     

六、研究亮点
1. 方法创新：
- 首次将多尺度切比雪夫卷积与对抗训练结合，增强了特征提取的全面性和鲁棒性。
- 提出半径图构建方法，保留了多传感器信号的物理关联性。

1. 工程意义：
   
   • 实验验证覆盖不同齿轮类型（平行轴齿轮、行星齿轮）和工况，证明了方法的普适性。
     
   • 开源工具链（PyTorch Geometric）实现，便于工业部署。
     

七、其他有价值内容
- 研究指出，未来可通过模型剪枝和知识蒸馏进一步提升计算效率，适应实时性要求更高的工业场景。
- 附录中详细列出了网络超参数（如学习率0.0001、批量大小32），为复现研究提供了便利。