从信号穿透到机理：隐式因果关系驱动的非标设备异常穿越诊断

非标设备的故障诊断面临一个根本困境：传感器采集到的振动、温度、电流等观测信号是物理失效机制的外在表象，而工程师真正需要定位的是疲劳、磨损、腐蚀等底层物理机制的异常。传统数据驱动方法直接在观测信号与故障标签之间建立映射，跳过了对物理失效机制的建模，导致诊断结果缺乏物理可解释性，且难以泛化到未见过的故障模式。本文提出基于隐式因果关系建模的穿越诊断方法，构建从观测信号到物理失效机制的隐式因果映射模型，使异常诊断从”识别异常模式”穿透至”定位失效物理机制”。该方法在多型非标旋转设备的诊断任务中验证了其深度归因能力。

一、引言：诊断的深度层级

设备故障诊断本质上是一个从表象到本质的推理过程。振动信号上升是一个表象，轴承滚道剥落是一个中间层次的物理事实，而疲劳累积则是更深层的物理机制。工程师的理想诊断结果是：”该设备振动异常的原因是轴承滚道发生了疲劳剥落，导致间隙增大，根源在于长期过载运行。”

然而，大多数数据驱动的诊断模型停留在第一层——识别振动信号的异常模式并对应到故障类型标签。这类模型的工作方式是：采集大量标注了故障标签的振动信号样本，训练分类器建立信号特征与故障标签之间的统计映射。当面对训练集中未出现过的故障组合或新设备时，模型的泛化能力急剧下降。更重要的是，模型只能回答”这是什么故障”，无法回答”为什么会发生这种故障”。

非标设备的特殊性加剧了这一困境。由于每台设备的构型和工况不尽相同，标准化的故障标签体系难以覆盖所有可能性。设备维护团队真正需要的是不依赖预设故障标签的深度归因能力——能够从异常信号出发，追溯至底层的物理失效机制。

二、隐式因果映射的建模框架

本文提出的隐式因果映射模型构建了从观测信号空间到物理失效机制空间的因果桥接。与传统的显式因果图不同，隐式因果映射不要求预先定义所有变量之间的因果关系，而是通过深度生成模型学习从观测信号到潜在物理机制的非线性映射。

模型包含三个层次的变量。观测变量层包含各类传感器的原始信号和提取特征。隐式机制变量层是不可直接观测的潜在变量，对应疲劳、磨损、腐蚀、变形、松动等物理失效机制的激活状态。因果桥接层是一个深度神经网络，学习从观测变量到隐式机制变量的映射关系。

模型的训练采用弱监督策略。由于物理失效机制的激活状态在实际运行中无法直接标记，训练数据不包含机制变量的标注。取而代之的是一种基于领域知识的约束：当观测信号被诊断为某种故障模式时，与该故障模式相关的物理机制必须处于激活状态。这一约束以正则化项的形式加入训练损失函数，使模型在无直接标注的情况下学习到观测信号与物理机制之间的因果倾向。

训练完成后，模型的推理过程分为两步。第一步是将当前观测信号输入因果桥接网络，输出各物理机制变量的激活概率。第二步是将激活的机制变量与观测信号共同输入一个解释生成模块，输出自然语言的诊断解释。

三、物理失效机制的表达与推理

物理失效机制在模型中以向量形式表达，向量的每个维度对应一种机制。向量的值在零到一之间，代表该机制的激活置信度。机制的激活不是互斥的——同一设备可能同时存在疲劳和磨损两种机制的激活。

为了确保机制变量具有物理可解释性，在设计机制向量时采用了半监督的约束策略。在训练过程中，要求当输入信号中包含明确的疲劳特征时，疲劳机制维度的激活值必须高于阈值；当输入信号中明确不含某类机制的特征时，对应维度的激活值必须低于阈值。这类约束的数量只需要覆盖小部分训练样本即可有效约束机制向量的语义方向。

在推理过程中，机制向量的激活模式不仅用于诊断解释的生成，还用于预测设备的剩余寿命和推荐维护策略。不同的机制激活模式对应不同的退化速率——疲劳的进展速度通常与磨损不同，腐蚀的传播方式与变形不同。通过对机制激活模式随时间变化的跟踪，模型能够给出比单纯基于信号趋势更精确的寿命预测。

四、实验验证

在某非标压缩机设备上进行了穿越诊断实验。设备运行工况多变，故障模式包括轴承疲劳、齿轮磨损、轴不平衡、密封泄漏和冷却系统结垢。采集的信号通道包括振动加速度、温度、电流和压力。训练数据包含上述故障模式，但测试时引入了轴承疲劳与轴不平衡并发的故障样本，这些并发样本在训练数据中未出现。

传统卷积神经网络诊断模型将并发故障判断为”轴承疲劳”或”轴不平衡”中的某一类，准确率百分之六十八。隐式因果模型输出的机制向量显示出疲劳机制和平衡机制同时高概率激活，穿越诊断正确识别了并发状态。在仅包含信号数据、无机制标注的情况下，模型输出的机制激活模式与事后拆解检验的物理失效状态吻合度为百分之九十二。

在另一个实验中，对于振动信号异常但频谱形态与任何已知故障模式都不匹配的样本，穿越诊断模型输出的机制向量显示”磨损”机制的激活置信度高于阈值，但未达到典型磨损故障的水平。结合该设备已运行超过建议检修周期的信息，维护团队据此判断为初期磨损阶段，提前进行了维护更换，避免了后续的突发故障。

五、结论与展望

隐式因果关系建模使设备诊断从故障标签识别推进至物理机制归因，实现了从观测信号穿透至失效机理的深度诊断。这一穿透能力的关键在于引入不可观测的机制变量作为诊断推理的中间层，并通过领域知识约束其语义方向。未来的发展方向包括：将穿越诊断与数字孪生结合，使物理模型的仿真输出作为机制变量的额外监督信号；探索因果时间序列模型在机制动态追踪中的应用。