近日，上海工程技術大學NVH團隊在國際權威期刊《Measurement》（SCI二區(qū)，中科院工程技術類，影響因子5.6）發(fā)表了題為 “Few-Shot Anomaly Detection in Engine Cold Testing: A Synthetic Fault Augmentation Approach with Self-Attention Memory and Dynamic Thresholding” 的研究成果（發(fā)動機冷試小樣本異常檢測：一種結合自注意力記憶與動態(tài)閾值的故障增強方法）。論文提出了一種基于自注意力記憶與動態(tài)閾值的故障增強方法，有效解決發(fā)動機冷試小樣本異常檢測難題。

文章鏈接：https://doi.org/10.1016/j.measurement.2025.119046

一. 內(nèi)容摘要

發(fā)動機冷試是汽車制造過程中關鍵的質(zhì)量控制環(huán)節(jié)之一。與傳統(tǒng)的熱試相比，冷試無需燃油點火，背景噪聲低，信號更為清晰，因此在檢測早期機械故障方面具有獨特優(yōu)勢。然而，冷試中的故障數(shù)據(jù)稀缺，且獲取成本較高，導致故障樣本極為稀缺，嚴重制約了異常檢測模型的準確性和泛化能力。本文針對這一問題，提出了一種融合自注意力機制與動態(tài)閾值策略的創(chuàng)新方法。通過構建自注意力記憶條件生成模型（SAGM），在源域故障數(shù)據(jù)的基礎上合成高保真虛擬故障樣本，并結合長短期記憶自編碼器（LSTM-AE）進行異常檢測，實現(xiàn)了對重構誤差的動態(tài)閾值調(diào)整。實驗結果表明，該方法在1.5L四缸發(fā)動機冷試場景下的故障識別準確率高達99.23%，顯著優(yōu)于傳統(tǒng)檢測方法，展現(xiàn)出強大的泛化能力與工程應用潛力。

圖1全文摘要圖

二. 自注意力記憶生成模型（SAGM）

針對發(fā)動機冷試中故障樣本稀缺的問題，本文提出了自注意力記憶條件生成模型（SAGM），用于合成高保真虛擬故障樣本。該模型通過提取源域故障信號的關鍵頻域特征，包括主頻與邊頻的幅值比（α、βL、βR）以及周期平穩(wěn)性指標（ICS），構建故障特征參數(shù)集，并與目標域正常信號融合生成虛擬樣本。

圖2 自注意力記憶生成模型（SAGM）流程圖

SAGM引入自注意力機制，通過對輸入特征的動態(tài)加權，能夠自動識別并強調(diào)與故障相關的關鍵特征。這種機制能夠自適應地捕捉到不同故障類型之間的復雜依賴關系，提升模型對復雜信號特征的建模能力，特別是在處理非平穩(wěn)數(shù)據(jù)時表現(xiàn)出更強的魯棒性。相比傳統(tǒng)GAN與CGAN模型，SAGM在特征分布一致性上表現(xiàn)更優(yōu)，生成樣本與真實故障數(shù)據(jù)的參數(shù)一致性高達98.23%。此外，模型在時間域和頻率域均能準確復現(xiàn)故障信號的周期性與調(diào)制特征，顯著提升了數(shù)據(jù)多樣性與泛化能力。

圖3 SAGM的基本結構與計算過程

在訓練過程中，通過引入條件對抗損失函數(shù)，SAGM能夠優(yōu)化生成的虛擬故障樣本，使其在特征分布和統(tǒng)計特性上與真實故障數(shù)據(jù)高度一致。這種對抗優(yōu)化不僅提升了生成樣本的質(zhì)量，還減少了由于數(shù)據(jù)稀缺性帶來的偏差，增強了虛擬樣本對目標領域的代表性。該方法有效緩解了小樣本學習中的數(shù)據(jù)瓶頸，為冷試故障識別提供了可擴展的增強策略。

三. 異常檢測：

LSTM-AE與動態(tài)閾值策略

在故障樣本增強的基礎上，本文構建了基于長短期記憶自編碼器（LSTM-AE）的異常檢測模型。該模型通過學習發(fā)動機冷試過程中的時間序列數(shù)據(jù)，提取其潛在結構特征，并重構原始信號。當輸入數(shù)據(jù)為異常信號時，模型的重構誤差顯著升高，從而實現(xiàn)故障識別。

圖4 LSTM-AE與動態(tài)閾值策略流程圖

為提高檢測精度與穩(wěn)定性，本文引入了一種滑動窗口動態(tài)閾值策略。該策略通過實時調(diào)整重構誤差的判斷閾值，能夠適應信號的波動性和非平穩(wěn)性，確保在不同工況下均能高效地檢測到微弱的異常信號，從而避免了傳統(tǒng)固定閾值方法可能導致的誤報和漏報問題。

四. 實驗驗證與性能表現(xiàn)

為驗證所提方法的有效性，在某1.5L四缸發(fā)動機冷試平臺上開展了系統(tǒng)實驗。通過三軸加速度傳感器采集振動信號，構建了包含800條正常樣本與200條真實故障樣本的數(shù)據(jù)集，并利用SAGM模型生成300條高保真虛擬故障樣本，形成總計1300條樣本的混合數(shù)據(jù)集。在小樣本場景下，SAGM生成的虛擬樣本在特征分布上與真實故障數(shù)據(jù)高度一致，有效提升了模型的泛化能力。

圖5關鍵特征參數(shù)邊緣分布直方圖

此外，通過LSTM-AE模型引入滑動窗口動態(tài)閾值機制，使得異常檢測在非平穩(wěn)信號環(huán)境下依然保持高靈敏度與低誤報率?；煜仃嚺cROC曲線分析進一步驗證了該方法在故障識別中的穩(wěn)定性與魯棒性，為發(fā)動機冷試中的智能故障診斷提供了可靠技術支撐。在對比實驗中，該方法與1D-CNN、ResNet-50、EfficientNet和ViT等主流模型進行了性能評估。結果顯示，本方法在訓練集和測試集上的AUC值分別達到0.926和0.912，平均檢測準確率高達99.23%，顯著優(yōu)于其他模型。

圖6不同模型的訓練集與測試集ROC曲線

五. 相關研究成果

本文針對發(fā)動機冷試中故障樣本稀缺、信號非平穩(wěn)等挑戰(zhàn)，提出了一種融合自注意力記憶機制與動態(tài)閾值策略的故障增強與異常檢測方法。通過構建SAGM模型生成高保真虛擬故障樣本，并結合LSTM-AE實現(xiàn)對重構誤差的動態(tài)閾值調(diào)整，顯著提升了小樣本場景下的檢測準確率與模型魯棒性，實現(xiàn)了99.23%的故障識別率，優(yōu)于多種主流模型，驗證了其在實際工程中的應用潛力。下一步將進一步拓展SAGM模型對多故障特征的建模能力，提升其在復雜工況下的穩(wěn)定性與泛化能力。同時，該方法具備遷移至其他旋轉(zhuǎn)機械系統(tǒng)（如電機、齒輪箱、渦輪機等）的潛力，有望為智能制造與設備健康監(jiān)測提供更廣泛的技術支持。

圖7 基于自適應閾值的LSTM-AE模型檢測結果

六. 致謝

本研究得到了以下項目的資助：國家自然科學基金項目（No: 52172371）、上海市自然科學基金項目（No: 25ZR1401153），以及上海市新能源汽車振動噪聲評價與控制專業(yè)技術服務平臺基金（No: 8DZ2295900）。