论文标题:SMNet: A Novel Compositional Generalization Model for Industrial Robot Multijoint Fault Diagnosis
期刊：IEEE Internet of Things Journal （中科院一区）
DOI：10.1109/JIOT.2026.3652582
作者：胡小溪（清华大学/北京交通大学）, 蒋程至（浙江财经大学）, 彭丹丹（西北工业大学/香港理工大学）, 陈祝云（广东工业大学/华南理工大学）
摘要
工业互联网场景中，机械设备往往会出现机器人多关节同时退化的复合故障，但现有研究多聚焦于单关节或低阶组合设定，导致模型在真实部署中面临关键难题——组合泛化：训练阶段仅覆盖正常/单关节/双关节等简单故障，测试阶段必须识别未见过的三关节、四关节等高阶组合故障。
为此，本文提出 StateMix Network (SMNet)，以“保留单关节表征到跨关节组合诊断”为核心策略，构建多阶段端到端架构：Single-Joint Feature Extraction (SJFE) 提取关节私有特征；Attention-Guided Dilated Fusion (AGDF) 通过并行 Cascaded Dilated Convolution Blocks (CDCBs) 实现多尺度融合，并结合双路径注意力进行自适应重加权；最后采用基于 Mamba 的序列混合器建模长程跨关节依赖。在原位振动数据上，基于严格的 train-on-simple / evaluate-on-complex 实验设置，实验结果表明 SMNet 在宏平均 Precision/Recall/F1 上整体优于代表性基线，尤其在未见的三关节与四关节组合故障上表现更突出；消融与敏感性分析进一步验证了各模块的有效性。
关键词：组合泛化；复合故障诊断；深度学习；振动信号
1 引言
工业场景下，机械设备的关节在高频载荷下长期运行，磨损与故障不可避免；一旦异常，精度下降甚至导致产线停机。现实中诊断仍高度依赖停机人工排查，效率低、成本高，促使自动化智能诊断成为重要方向。
近年来，振动诊断从“特征工程 + 传统分类器”逐步转向端到端深度学习：模型直接从多通道时序数据中学习表征，并通过 CNN/LSTM、多尺度卷积、Transformer 等结构强化时序与长依赖建模能力。
现有方法多默认“单故障”或“低阶组合”设定，难以应对真实工况下的多关节同时退化。这带来核心难题——组合泛化：训练只见正常/单关节/双关节等简单模式，部署却要识别未见的三关节、四关节高阶组合；而组合空间指数增长，使全覆盖数据采集在工程上不可行。
为此，我们提出 StateMix Network (SMNet)，以“先保留单关节表征，再做跨关节组合推理”为主线：先用 Single-Joint Feature Extraction (SJFE) 提取各关节私有特征，再用 Attention-Guided Dilated Fusion (AGDF) 做多尺度融合与重加权，最后通过 Mamba 建模长程跨关节依赖，从而将“由简单到复杂”的推断能力固化为端到端模型能力。
主要贡献
1. 提出 AGDF 颈部结构：并行 CDCBs 由输入/输出两侧的 Dual-Path Attention (DPA) 夹持，实现对关节原子特征的有效融合与自适应重加权，面向复合故障诊断更稳健。
2. 将 Mamba 作为本任务的序列混合器，高效捕获长程跨关节依赖，与 AGDF 协同构成适用于多关节组合诊断的特征处理框架。
3. 在原位振动数据上，采用严格的 train-on-simple / evaluate-on-complex 组合泛化设置进行系统评估，并通过消融与敏感性分析验证各核心模块的独立贡献与工程价值。
2 方法
2.1 问题定义
我们有多关节振动数据集：
其中输入样本为多通道时序窗口：
其中：
J 为关节数，M 为每关节传感器轴数，T 为窗口长度；
表示第 j 个关节的多轴信号。
标签为多标签故障向量：
目标是学习映射：
并在部署时对未见过的高阶组合故障仍能输出可靠预测：
2.2 总体框架
流程如下：
数据与实验：对每个通道进行标准化后输入网络；采用严格的 train-on-simple / evaluate-on-complex：
DatasetA：正常 / 单关节 / 双关节（训练与测试）
DatasetB：三关节 / 四关节（组合泛化测试）
模型流水线：SJFE → AGDF → Mamba Mixer → Head，输出每个关节的多标签故障概率。
2.3 SJFE：
为避免过早跨关节融合导致“单关节信息被稀释”，SJFE 对每个关节振动信号并行建模，先提取关节私有特征。
每个关节分支使用 ResCUM 单元，并以门控激活 Tanh-Sigmoid-Dropout (TSD) 形成稳定的关节表征：
2.4 AGDF
复合故障需要跨关节“组合模式”。AGDF 的目标是在不冲淡关节私有信息的前提下完成多尺度融合与重加权。
拼接：
Pre-DPA：双路径注意力 (CBAM1D + CSA)抑制冗余、突出关键证据。
CDCB：不同 dilation 捕获互补时间尺度，拼接形成融合特征。
Post-DPA：在融合后再次重加权，缓解多尺度融合可能引入的尺度/相位偏置，输出 AGDF 特征V。
2.5 Mamba Mixer
AGDF 提供局部与中程模式，但高阶组合故障通常依赖更长的时序证据与跨关节耦合。SMNet 使用 Mamba 作为序列混合器，以线性复杂度建模长程依赖。
2.6 Head 与损失
分类头输出每个关节的 logits，经 Sigmoid 得到多标签概率。训练采用多标签二元交叉熵 (BCE)：
3 实验与结果
3.1 数据集
故障覆盖：本数据仅研究在 J1–J4 关节出现故障的情况；J5、J6 在所有样本中始终正常，因此本文不讨论包含 J5/J6 的复合故障。
样本构造：每个场景通过在原始连续信号中选取起点截取窗口得到样本；窗口长度 T = 2560，每关节 M = 3 轴，J = 6 关节，共 18 通道，单样本形状为 (2560, 18)；每个定义场景生成 4000 个样本，保证场景间样本数均衡。
组合泛化实验设置 (train-on-simple / evaluate-on-complex)：
DatasetA：正常 + 单关节 + 双关节 (用于训练/验证，并在简单组合上测试，记为 TestA)
DatasetB：三关节 (TestB3)与四关节 (TestB4)复合故障（仅用于组合泛化评估）
3.2 实验设置
硬件/软件：Intel Xeon Platinum 8352V (16 vCPUs)+ NVIDIA RTX 4090 (24GB)；Ubuntu 22.04，Python 3.12，PyTorch 2.5.1，CUDA 12.4。
训练策略：最多 40 epochs；AdamW(lr=2e-3，weight decay=1e-4)；余弦退火学习率，warm-up 预热占总步数 35%；以验证集 Macro-F1 选最优权重，early-stopping patience = 20。
3.3 Backbone 设计
在复合故障诊断中，一个核心工程问题是：多尺度时序上下文应当在骨干阶段“提前建模”，还是在专门的 neck 阶段“后置融合”。为验证该点，我们构建了替代骨干 Multi-Scale Joint Feature Extractor (MSJFE)：在每个关节原始数据流上直接使用并行空洞卷积进行多尺度提取，随后拼接并由 DPA 自适应重加权，同时移除 AGDF 的其余块，使整体结构变为 “MSJFE backbone + Mamba + Head”，用于对比本文提出的 “SJFE backbone + AGDF neck + Mamba + Head”。
在保持 相同的 Mamba、相同的 Head、相同训练策略的前提下，将多尺度算子“前移”到骨干会导致复杂度显著膨胀（7.091M vs 0.868M 参数；13437.63 vs 426.23 MFLOPs），但在所有测试集上性能均下降，且在组合泛化测试集（TestB3/TestB4）上差距更明显。
进一步地，为隔离“关节独立骨干”这一因素，我们构建了三种 shared-backbone 变体 (Shared ResCUM / Shared ResNet / Shared CNN)：在六个关节间共享同一特征提取器，同时保持 AGDF、Mamba 与 Head 不变。尽管这些模型的参数量与 SJFE 相近甚至更低，但在最困难的 TestB4 上的 F1 明显落后，表明：共享一个通用骨干不足以学习不同关节的差异；相反，SJFE 的关节并行分支能够更好地保留关节私有表征，为后续的跨关节组合推理提供更可靠的“可组合基元”。
3.4 敏感性分析
为评估关键超参数对组合泛化性能的影响，我们对 Mamba mixer 的两项配置（Mamba Layers 和 Embedding Dimension）进行敏感性分析。对每组配置均按统一训练流程训练完整 SMNet，并在 TestB3 与 TestB4 上报告 F1 与宏平均 Recall。
3.5 消融实验
3.5.1 AGDF 注意力策略：两阶段双路径 DPA 的必要性
我们首先分析 AGDF neck 中 DPA 的设计。无论将单一路径注意力（仅 CBAM1D 或仅 CSA）放置在融合前或融合后，虽然在 TestB3 上仍可获得较高精度，但在 TestB4 上的 F1 明显低于完整 SMNet。这说明：面对四关节未见组合时，仅依赖单一路径/单阶段重加权难以兼顾“证据选择”与“上下文保留”。
进一步地，Pre-DPA only / Post-DPA only / No DPA 在 TestB3 上差距有限，但在 TestB4 上均显著弱于两阶段 DPA，且其参数量与计算量与完整 SMNet 同量级，并不存在明显的计算收益。移除多尺度 CDCBs 仅保留 DPA（DPA only）会导致 TestB3/TestB4 明显退化，表明：多尺度时序上下文是高阶组合诊断的必要条件，DPA 不能替代多尺度建模。同时，用更简单的 SE 替代 DPA 也无法达到两阶段双路径 DPA 的效果，说明本文的 DPA 设计具有更强的重加权能力与稳定性。
3.5.2 序列模块消融：Mamba 的优势体现在更稳的 Recall
除 AGDF 外，序列模块决定了模型能否在完整时间窗内整合跨关节证据。我们将 SMNet 中的 Mamba mixer 替换为多种代表性结构 (Transformer、DLinear、FreTS、TimesNet、TCN、LSTM、1DCNN)，其余组件保持不变。在相近的参数量与 MFLOPs 下，Mamba 在 TestB3/TestB4 上均取得更优的综合表现，尤其在更难的 TestB4 上保持更高的 Recall，从而带来更高 F1。相对而言，一些更“局部”的结构 (如 1DCNN/TCN)更容易出现“高精度、低召回”的形态，反映其更可能学习训练集中简单组合的快捷模式，遇到未见组合时漏检显著增加。
3.6 对比实验
我们在统一训练协议下，将 SMNet 与多种故障诊断代表模型进行对比，包括 WDCNN、TICNN、SRDCNN、CNN-LSTM、MSMCNN 与 MJAR。
在简单组合测试 TestA 上，SMNet 取得最高的 F1，说明其对常规故障模式具有更强的判别能力。更关键的是，在组合泛化测试中，SMNet 的优势进一步扩大：大量基线在 TestB3/TestB4 上呈现“精度接近饱和但召回显著下降”的趋势，这意味着模型更倾向于只识别训练中最典型的故障模式，而在未见组合上出现系统性漏检；相比之下，SMNet 能在 TestB4 上维持更高的 Recall，从而保持更高的 F1。与最强基线 MJAR 相比，SMNet 的改进主要体现在未见组合上的 Recall：其结构差异在于 SMNet 使用两阶段双路径 DPA 在融合前后同时实现“选择 + 保留”的互补重加权，并通过 Mamba 进一步整合长程跨关节依赖，使弱但关键的关节证据不易在融合与长窗建模中被淹没。
4. 结论
本文围绕多关节复合故障诊断中的关键难点——组合泛化展开：模型训练仅覆盖正常/单关节/双关节等简单故障，却需在部署时识别未见过的三关节、四关节高阶组合。为此，我们提出SMNet，以“先保留关节私有表征，再进行跨关节组合推理”为核心设计原则，构建了从单关节表征到全局状态推断的递进式诊断流程。
