图注意力网络与流形正则化的协同：面向非标产线多源传感器融合的故障检测与根因定位

非标产线中多源传感器的异构数据融合面临双重挑战：传感器间存在复杂的拓扑依赖关系，而各传感器数据本身具有高维非线性的几何结构。现有方法或单独处理拓扑关系（如图神经网络），或单独处理几何结构（如流形学习），二者长期割裂。本文提出图注意力网络（GAT）与流形正则化的协同框架：GAT通过注意力机制捕捉传感器节点间的结构化依赖关系-；流形正则化通过图拉普拉斯算子确保低维嵌入保持数据的内在几何结构-。二者的协同使得故障检测既能感知传感器间的拓扑耦合，又能尊重数据本身的几何分布。在复杂机械系统复合故障诊断中，该协同框架达到95.1%的检测精度-。

一、多源传感器融合的双重挑战
非标产线的多源传感器网络——振动传感器、电流互感器、温度传感器、声发射传感器等——构成了一个异构的感知系统。这些传感器并非孤立的信号源，它们通过物理系统相互耦合：刀具磨损既表现为振动频谱的特定变化，也表现为主轴电流的均值漂移，同时还伴随温度上升。单凭任何一种信号都只能在故障发展到较严重阶段时才触发报警。

多源传感器融合面临双重挑战。

第一重挑战：传感器间的拓扑依赖。 传感器通过物理系统相互关联——这种关联不是任意的，而是由系统的机械结构与能量传递路径所决定的。航天器80%以上的异常会在多个参数上表现出关联性变化-——忽视这些关联，就相当于丢弃了故障诊断中最关键的结构信息。

第二重挑战：数据本身的几何结构。 每个传感器采集的数据都是高维、非线性、强噪声的时间序列。这些数据生活在低维流形上，但传统融合方法（如简单拼接或加权平均）完全无视了这一几何结构，导致融合后的特征既丢失了几何信息，又放大了噪声。

现有的方法——图神经网络处理拓扑、流形学习处理几何——各自解决了一半的问题，但二者长期割裂。一个方法可能完美建模了传感器间的拓扑关系，却无视了数据本身的流形结构；另一个方法可能精准提取了低维流形特征，却不知道这些特征来自哪些传感器以及它们之间如何关联。

二、图注意力网络：拓扑感知的空间融合
图注意力网络（GAT）为解决第一重挑战提供了强有力的工具。其核心思想是将多组件系统建模为异构图——节点代表传感器或子系统，边代表它们之间的物理耦合关系-。GAT通过注意力机制学习节点间的依赖权重：哪些传感器之间的关联对诊断最重要，权重就越高-。

GAT的工作流程包含三个核心步骤。

步骤一：图的构建。 根据系统的物理拓扑（如传动链结构、能量流路径）构建初始图结构。节点代表各测量点或子系统，边代表它们之间的潜在耦合关系。图的构建可以基于先验的物理知识，也可以从数据中学习。

步骤二：注意力权重的学习。 GAT的核心创新在于用注意力机制替代了图卷积网络中的固定聚合权重。每个节点对其邻域内各节点的特征进行加权聚合，权重由注意力函数动态计算——与当前节点关联更紧密的邻居获得更高的权重-。这种动态权重机制使得GAT能够自适应地调整融合策略，匹配设备退化过程中的时变特性-。

步骤三：多层特征提取。 通过堆叠多层GAT，网络能够捕捉从局部到全局的多尺度拓扑特征——底层关注相邻传感器间的局部耦合，高层关注整个传感网络的全局模式。研究表明，基于图注意力网络的多传感器时频特征融合方法能够在非平稳工况下有效区分旋转机械的健康状态-。

三、流形正则化：几何感知的特征学习
如果说GAT解决的是“传感器之间如何关联”的问题，那么流形正则化解决的是“数据在空间中如何分布”的问题。

在GAT-流形正则化协同框架中，流形正则化扮演着双重角色。

角色一：特征空间的几何约束。 在GAT的特征学习过程中，引入流形正则化项作为额外的损失函数分量-。具体而言，要求GAT学到的低维特征在流形上保持平滑——如果两个原始数据点在流形上相邻，它们的低维特征也应该相近。这一约束防止了GAT在追求分类精度的过程中扭曲数据的几何结构。

角色二：半监督学习的标签传播。 在标注样本稀缺的场景中，流形正则化通过流形假设将有限的标签信息从标注点传播到未标注点-。这使得GAT即使在少量标注数据下也能有效学习——标签沿着流形传播，而非在欧氏空间中盲目扩散。

在相似性图基础上的流形正则化被纳入结构风险最小化框架，以鼓励数据流形结构与预测标签之间的一致性-。这一机制使得协同框架在标注样本极度稀缺的条件下仍能保持稳定的诊断性能。

四、协同框架：故障检测与根因定位的联合实现
GAT与流形正则化的协同，构成了“拓扑+几何”的双重视角框架，其核心价值在于故障检测与根因定位的联合实现。

故障检测层面，协同框架通过GAT融合多源传感器的拓扑信息，通过流形正则化保持特征空间的几何结构，两者共同提升了对早期微弱故障的检测灵敏度。在复杂机械系统复合故障诊断中，该框架在单部件、跨部件和系统级复合故障上分别达到95.1%、87.1%和82.4%的精度-。值得注意的是，拓扑感知的GAT融合在系统级复合故障上提供了独特的精度边际——当故障涉及多个子系统的联合异常时，仅仅知道“每个子系统出了什么问题”是不够的，还必须知道“这些子系统之间的耦合关系如何被故障所改变”。

根因定位层面，协同框架的可解释性远超纯黑箱模型。GAT的注意力权重可以直接解释为各传感器对当前诊断决策的贡献度——注意力权重越高的传感器，其信息对故障判断越关键-。流形正则化则确保这种贡献度的计算是基于数据的几何结构而非任意的统计相关。两者结合，使得根因定位不仅准确（知道哪个子系统出了问题），而且可解释（知道为什么是它）。

五、结论
图注意力网络与流形正则化的协同，为非标产线多源传感器融合的故障检测与根因定位提供了“拓扑+几何”双重视角的统一框架。GAT捕捉传感器间的结构化依赖——解决“谁与谁相关”的问题；流形正则化保持数据的内在几何结构——解决“数据如何分布”的问题。二者的协同不是简单的叠加，而是深层的互补：拓扑为几何提供结构指引（哪些传感器应该被一起考虑），几何为拓扑提供数据验证（注意力权重是否反映了数据的真实几何关系）。这一协同框架的核心启示在于：在多源传感器融合中，既需要理解传感器之间的“关系”，也需要理解数据本身的“形状”——两者不可偏废。