工业设备故障诊断模型的性能高度依赖于训练数据的覆盖范围。非标设备故障数据的获取极为困难——故障本身是小概率事件，且每类故障在特定工况下才出现。在小样本场景下训练的深度模型容易过拟合到训练集中的特定工况特征，当工况变化时诊断精度大幅下降。本文提出基于反事实数据增强的故障诊断方法，利用因果模型生成与故障因果机制无关但符合物理规律的传感器数据变异，将其作为额外训练样本注入训练集。该方法在压缩机轴承故障诊断任务中将跨工况诊断精度提升了约三十个百分点，有效解决了小样本场景下的过拟合问题。
一、引言：故障诊断的数据瓶颈
数据驱动的故障诊断在过去十年中取得了长足进步。深度卷积网络和变换器架构在振动频谱分析、电流特征识别和声发射信号处理等任务上展现出超越传统信号处理方法的能力。然而，这些模型的性能建立在大规模标注数据的基础之上。在理想条件下——充足的故障样本、稳定的工况覆盖、完善的标签体系——深度模型可以达到百分之九十五以上的诊断精度。
工业现实中的条件远非理想。非标设备的运行工况多变，每种工况下的故障表现形态不同。某一类故障在高速工况下的振动特征与低速工况下可能差异显著。为覆盖所有工况组合，需要极其庞大的样本量，这在工程上几乎不可能实现。数据增强技术在一定程度上缓解了小样本问题，通过对已有样本进行变换生成新样本来扩大训练集。传统数据增强方法通过加噪声、缩放、平移等方式生成样本变异。然而，这些变异是盲目的——它们改变的是样本的无关特征，而非对诊断最有判别力的特征。理想的数据增强应该增加与诊断目标相关但被工况变化所掩盖的变异。
反事实数据增强提供了一种因果约束下的生成策略。其核心思想是：确定样本生成过程中哪些变异与故障因果机制相关、哪些无关，只生成因果无关的变异，从而保证增强样本中的故障信号不被扭曲。
二、故障诊断因果模型的构建
反事实数据增强的基础是故障诊断场景的因果模型。因果模型描述了传感器观测值如何由设备物理状态、工况条件和传感器特性共同决定。
因果结构包含三个层次的变量。故障机制变量是诊断的目标变量，代表轴承磨损、齿轮疲劳、轴不平衡等物理故障状态。这些变量是因果模型中真正需要推断的变量，但在训练数据中作为标签存在。工况变量描述设备运行的外部条件，包括转速、负载、温度、润滑状态等。工况变量在因果图中位于故障机制的上游和下游之间——它们不改变故障机制本身，但会调制故障机制对传感器观测的影响方式。传感变量是因果模型的叶节点，由故障机制和工况变量共同决定。
因果结构学习采用半自动方式。故障机制到传感变量的因果路径由物理知识和设备机理决定，工程人员可以预先指定。工况变量对传感变量的影响关系需要从数据中学习，但由于工况变量是直接测量的，可以通过条件独立性检验确定其因果结构。在非标场景中，因果结构在不同设备类型之间会有差异，但同一类设备的因果骨架相对稳定。
三、反事实数据生成算法
反事实数据增强的核心算法分为三个步骤。第一步是推断隐变量，给定一个实际采集的故障样本及其观测值，通过因果模型的变分推断估计未观测到的外生变量的后验分布。第二步是实施干预，在因果模型中对工况变量施加干预——将转速值改为目标值，或调整负载条件——但保持故障机制变量不变。第三步是生成反事实样本，将干预后的工况值、保持不变的故障机制和推断得到的外生变量代入结构方程，计算新的传感器观测值。生成的反事实样本代表了在改变工况条件下同一故障的表现形态。
反事实生成的关键优势在于其物理一致性。传统数据增强方法对振动信号随机加噪可能会破坏频谱中的故障特征频率成分。反事实生成通过物理模型和因果结构确保生成的样本符合物理规律，故障特征频率成分在工况变化后以符合物理规则的方式偏移，而非随机改变。实验表明，反事实增强样本的频谱特征与真实工况偏移下的实测信号差异在可接受范围内，同时覆盖了训练集中缺失的工况区间。
四、实验验证
在某离心压缩机轴承故障数据集上验证了反事实增强方法。数据集包含正常和三种故障状态，每种状态在五种转速工况下采集。训练阶段仅使用其中一种转速工况的故障数据，测试阶段评估模型在其他四种转速工况上的泛化能力。
基线模型为八层卷积神经网络，仅在单一工况数据上训练后，对其它工况的诊断准确率为百分之五十六。采用标准数据增强后在相同测试条件下的准确率为百分之六十三。基于反事实增强训练的模型准确率为百分之八十六，提升幅度显著。消融研究表明，反事实增强的效果主要来自保持故障机制不变、仅改变工况条件的约束。当生成样本同时改变故障机制和工况时，增强效果与标准数据增强无显著差异。
进一步分析显示，反事实增强对跨工况泛化的改善在高频故障特征上最为显著。轴承故障中的高频冲击成分对转速变化敏感，传统数据增强难以模拟这种频率偏移，而反事实生成通过物理约束自动将冲击频率按转速比例缩放，使模型在高转速测试工况下依然能正确识别故障模式。
五、结论与展望
反事实数据增强将因果知识注入小样本故障诊断训练，使模型在标注数据有限的条件下获得更强的跨工况泛化能力。该方法的核心价值在于其生成过程受因果约束指导，生成的变异是物理一致的，不破坏故障模式本身的可辨识性。未来的方向包括将反事实增强与在线学习结合，实现模型在现场运行中的持续适应；以及开发面向多故障并发场景的反事实生成方法。
中研高科教育
