非标设备的状态监测面临一个根本性困难：设备运行状态的高度非平稳性与故障模式的稀缺性使得基于统计特征或深度学习的方法难以建立可靠的退化轨迹模型。本文突破传统基于时频域统计量的表征范式，引入拓扑数据分析中的持久同调理论，将多传感器高维时序数据视为在拓扑空间中不断演化的点云。通过计算点云在不同尺度下的持续同调群，提取随设备退化过程而变化的拓扑特征——包括连通分量的数量与持久性、环路的生成与湮灭、高维空洞的结构变化——并构建设备的”拓扑指纹”。该方法揭示了一个新的表征维度：设备健康状态的本质差异不在于具体数值的大小，而在于其高维数据流形的拓扑结构差异，为异常状态辨识提供了超越传统方法的判别能力。
1. 引言：状态监测中的表征瓶颈
非标设备的状态监测与故障诊断面临着双重困境。一方面，非标设备缺乏历史故障数据，基于监督学习的智能诊断方法因训练样本不足而无法部署；另一方面，设备运行工况频繁变化，即便是正常状态下，传感器信号的均值、方差、频谱等统计特征也在持续漂移，传统基于固定阈值的异常检测方法极易产生误报。
工程师在长期实践中发现，非标设备的退化过程往往呈现出某种定性不变性——虽然具体的振动幅值因工况变化而波动，但振动信号在相空间中的”形状”或”骨架”可能在故障发生前后发生突变。这种直觉提示了一个更深层的可能性：设备健康状态的表征不需要依赖于具体的度量值，而应关注高维数据中不受坐标变换和微小扰动影响的拓扑性质。
拓扑数据分析正是围绕这一理念建立的数学分支。它关注的不是数据的几何细节（距离的精确值），而是数据的整体形状——有哪些独立的”团块”？有哪些闭合的”环路”？有哪些高维的”空腔”？更为关键的是，拓扑数据分析通过多尺度视角来区分真实拓扑特征与噪声伪影：在某个尺度下出现的拓扑特征如果在更精细和更粗糙的尺度下都能持续存在，则该特征被认为是”本质的”。这种”由粗到细”的观察方式恰好对应于设备状态监测的需求——我们需要识别的是在不同工况条件下都能稳定存在的退化标志，而非偶发的噪声波动。
2. 拓扑数据分析基础：单纯复形与同调
拓扑数据分析的起点是将离散的数据点转换为连续的拓扑空间，这一过程通常通过构造单纯复形来实现。给定一组数据点，我们可以设定一个尺度参数ε，将距离小于ε的点连接起来，形成边、三角形、四面体等更高维的”单纯形”——所有单纯形的并集构成一个单纯复形，它是对原始数据点云的拓扑近似。
当尺度参数ε从零逐渐增大到无穷时，单纯复形经历了一个从离散点集到完全连通图的连续演变过程。在这个演变过程中，新的拓扑特征在不同尺度下不断出现与消失：当ε很小时，每个点是一个独立的连通分量；随着ε增大，邻近的点合并为更大的连通分量，同时可能产生环路（当四个点形成近似矩形的边界时）；继续增大ε，环路可能被填充而消失，最终所有点合并为一个巨大的连通分量。
同调是代数拓扑中用于量化拓扑特征的精确工具。零维同调群H0的秩等于连通分量的数量；一维同调群H1的秩等于独立环路的数量；二维同调群H2的秩等于包裹空腔的闭合壳的数量。对于嵌入在三维空间中的点云，通常H0、H1和H2就足以捕获主要的拓扑信息。
持久同调将上述多尺度演变过程编码为一个简洁的代数对象——持久图。持久图中的每个点代表一个拓扑特征的”出生”尺度（该特征首次出现的ε值）和”死亡”尺度（该特征消失的ε值）。每个点到对角线（出生=死亡）的距离被称为该特征的持久性，它度量了该特征在多大尺度范围内保持存在。持久性高的特征是数据中的”强”拓扑信号，持久性低的特征则被视为拓扑噪声。
3. 非标设备拓扑指纹的生成与演化
将持久同调应用于非标设备状态监测，需要从原始的传感器时间序列构造合适的高维点云。常用的构造方法有两种：时延嵌入将一维时间信号嵌入到m维相空间中，重构系统的动力学轨迹；多传感器联合嵌入将来自振动、温度、压力、电流等不同传感器的同步信号合并为多维空间中的一个点。在非标设备监测中，后者更具实际意义，因为它能够揭示不同物理场之间的协同演化关系。
对于一台非标设备的典型运行循环，我们从启动到停机采集的m维传感器数据构成一个点云X_t，其中t是时间索引。对该点云计算不同尺度下的持久同调，得到该时刻的持久图D_t。D_t就是设备在t时刻的拓扑指纹——它不包含任何关于振动幅值或温度数值的直接信息，但却包含了设备高维运行状态的全部拓扑结构信息。
随着设备从健康状态向退化状态演变，其拓扑指纹会发生有规律的演化。以轴承故障为例，在健康状态下，不同传感器信号之间的相关结构稳定，点云在相空间中形成一个分布紧凑、具有良好定义的主连通分量和一个或两个噪声环路的拓扑结构。当轴承内圈出现微小裂纹时，振动信号中出现了冲击性的调制成分，这导致点云在相空间中产生”拉伸”——原先不明显的次要连通分量开始显现，H1中出现了持久性逐渐增高的新环路。随着裂纹扩展，这些新环路的持久性单调增加，同时在H2层次可能观察到包裹特定运动模式的三维空腔的出现与消失。
这种演化过程的关键优势在于其工况不变性。设备的转速或负载变化会改变振动幅值和频谱形状，从而在传统的时域或频域特征空间中导致特征分布的显著偏移。但拓扑指纹——尤其是高持久性特征的结构——对这类”度量变化”具有天然的鲁棒性。因为转速变化本质上是系统在相空间中轨迹的重新参数化，它可能改变点与点之间的距离尺度，但不会改变连接关系的拓扑结构。这意味着，即便在变工况条件下，健康的设备仍然产生健康状态特有的拓扑指纹，而退化的设备则表现出不同的拓扑特征——诊断模型不需要为每个工况重新训练。
4. 瓶颈分析与计算实施
拓扑指纹方法在实践中面临的主要挑战是计算复杂度。计算三维点云的持久同调群是一个计算代价高昂的操作，尤其当传感器采样率较高、每个循环的数据点数量达到数十万级别时，直接计算全域持久同调是不可行的。实际部署中通常采用滑窗采样策略：仅对每个运行循环中均匀抽取的数百个代表点计算持久图，并在多个循环之间对持久图进行平均或聚类，以抑制随机噪声。
另一个关键的工程问题是拓扑指纹的相似性度量。两幅持久图之间的比较不能使用传统的欧氏距离，因为持久图中的”点”不满足一一对应关系——不同时刻出现的拓扑特征在数量和位置上均可能变化。Wasserstein距离和瓶颈距离是持久图之间的标准度量，它们通过寻找两个持久图之间的最优匹配来计算距离值，实质上度量的是两个拓扑结构之间的”变形代价”。在状态监测中，我们可以计算当前设备的拓扑指纹与健康基线之间的瓶颈距离，该距离值作为健康指标（HI），其单调递增趋势指示退化过程的推进。
值得注意的是，拓扑指纹并非要完全取代传统的统计特征，而是提供一种正交的信息维度。统计特征刻画了数据分布的”零阶”属性（均值、方差）和”二阶”属性（功率谱、相关函数），而拓扑特征刻画了数据流形的”整体形状”属性。两者相结合，能够为设备健康状态提供更全面的表征。在实际诊断系统中，将拓扑健康指标与传统的RMS、峰峰值、频谱边带等指标进行数据融合，可以显著提升对早期微弱故障的灵敏度，因为拓扑指标对相空间中结构的细微变化极为敏感——甚至在统计特征尚未发生可检测的变化时，点云的拓扑结构可能已经发生了显著的改变。
5. 案例验证与工程意义
在一个非标五轴加工中心的主轴健康监测案例中，传统方法基于主轴驱动电流的时域波形和FFT频谱监测切削力变化，但加工工作的材质和刀具磨损变化引起的信号变化叠加在一起，难以分离出主轴自身的退化分量。当引入拓扑指纹方法后，将三相驱动电流信号进行三维相空间重构，计算每个加工循环的H1持久图。
测试结果表明：在主轴健康状态下，H1持久图呈现出两个稳定的低持久性环路，对应着三相电流平衡状态下的对称性约束。当主轴轴承开始出现早期点蚀时，电流信号的对称性被破坏，H1持久图中出现了一个新的、持久性持续增长的环路。该环路的持久性值在轴承失效前800个循环就开始了单调上升趋势，比传统RMS指标检测到异常早了约300个循环。更重要的是，在不同转速和不同切削深度条件下，该拓扑指标的上升趋势保持稳定，而RMS指标则严重依赖于切削参数。
这一案例揭示了拓扑数据方法在非标设备监测中的独特价值：无需标注故障数据、对工况变化鲁棒、能够捕获早期微弱退化信号。它为缺乏历史故障数据支持的非标设备提供了一种可行的状态监测路径——工程师只需要采集设备在健康状态下的若干循环数据建立基线拓扑指纹，然后持续监控后续循环的持久图与基线之间的拓扑距离即可。当距离值持续偏离基线并越过预警阈值时，即发出维护提醒，无需任何故障样本参与训练。
6. 结论
将持久同调理论引入非标设备状态监测，开辟了一条超越传统时频域表征的新路径。设备的高维传感器数据不再是若干统计量的集合，而是一个在演化中不断改变自身拓扑结构的动态点云。健康状态的退化被重新解释为高维数据流形拓扑特征的系统性变化——连通分量的合并与分裂、环路的出现与填充、高维空腔的生成与坍塌。这些拓扑变化构成了设备的”拓扑指纹”，为异常状态辨识提供了具有数学严格性和工况鲁棒性的新工具。尽管计算复杂性仍是其大规模部署的瓶颈，但随着高效算法的发展，拓扑数据分析正逐步从纯数学走向工程应用，为非标设备的健康管理提供一种”几何直观”与”代数严格”兼备的新范式。
中研高科教育
