01 研究意义

实际大型装备或工业系统中，为提高运行稳定性与可靠性，常采用冗余设计以增强关键部件的容错能力。然而，冗余设计的引入不可避免地增加了部件间的故障传播与耦合效应。例如，动力系统、制动系统、电子控制系统等子系统在功能上高度关联，某一子系统故障可能通过能量传递、信号干扰或控制逻辑连锁反应影响其他子系统，导致故障的交叉叠加。这种相互影响可能导致不同故障模式的故障变量严重重叠，即多个故障模式涉及的故障部件与监测变量（如温度、压力、振动信号等）存在严重交叠。这种重叠现象使得不同故障模式的故障子空间存在共性，这将导致故障重构过程中故障样本与故障子空间之间存在“一对多”映射，即同一故障样本可被多个故障子空间消除故障效应，如图1所示。这种“一对多”映射使得诊断过程存在诊断歧义，难以准确区分不同故障模式。此外，非线性系统的故障子空间维度高，在线诊断计算复杂度高，导致故障诊断实时性差。

02 本文工作

针对上述高计算复杂度和“一对多”映射，本文提出一种基于双重属性的约简核独立成分（Reduced KICA with Dual Attributes，RD-KICA）故障诊断方法。该方法从算法效率和故障表征方式两方面展开研究。为解决计算复杂度高的问题，剖析了核空间秩亏的机理，提出基于欠采样的训练集稀疏化方法，构建了信息丰富且数量较少的约简训练集，建立了轻量化故障重构模型，实现了计算效率与诊断精度的平衡。针对“一对多”映射引发的诊断歧义问题，提出了一种基于故障子空间与故障幅度双重属性的故障表征方法，并设计了级联式故障诊断策略。该策略融合了模式识别与重构技术，实现了二者优势互补，有效提升对历史故障的诊断精度及对未见故障的识别能力。本文的创新点如下：(1) 通过特征向量选择（Feature Vector Selection，FVS）对训练集进行欠采样，实现训练集的稀疏化，进而降低故障子空间维数；(2) 将故障幅度作为另一个故障属性作为输入训练分类器，以此作为诊断歧义时的再诊断工具；(3) 设计了一种级联式诊断策略：优先执行基于约简KICA模型的故障重构，当存在多个重构统计量低于控制限时，激活分类器。这种级联式策略既保持了模型可解释性，又提高了系统处理未见样本的能力。

03 实验结果

本文所提出的故障诊断方法在火箭伺服系统上进行了验证。实验系统采集了32个过程变量（含位移、速度反馈等），并注入了5种故障模式（如表1），其中，F1~F4为历史故障，F4是F1和F3的复合故障，F5为未见故障。

分别对故障F1~F4各采集500个样本，其中300个用于构建故障子空间（记作Ξ1，Ξ2，Ξ3和Ξ4），200个用于性能评估；另采集200个F5样本测试未见故障识别能力。采用RD-KICA对全部测试样本进行故障重构，结果如图2所示，其中局部细节在黑色虚线框中放大。图2中样本点1~200和401~600的重构统计量均小于控制限（紫色线位于红色虚线下方），表明子空间 Ξ4 错误地消除了F1和F3样本的故障效应，导致“一对多”映射；而样本点601~800的故障效应仅能被 Ξ4 消除，Ξ1 和 Ξ3 均无效。对于OOD故障F5*的样本点801~1000，仅有一个样本点的重构统计量低于控制限，其余均高于控制限，这表明所有子空间均无法消除这些样本的故障效应。该重构结果与表1中的故障注入情况相符。

针对诊断歧义问题，RD-KICA引入了BBC进行再诊断，结果如图3所示，图中的纵坐标表示样本属于某一故障类别的概率。最终诊断结果如4所示，横坐标代表采样点，而纵坐标则代表诊断标签。由图可知，RD-KICA可正确诊断大多数历史故障样本（据统计，诊断精度为93.20%）。此外，仅有一个未见故障样本被误诊断为正常样本，其余均被正确识别。