【成果概览】发动机冷试小样本异常检测：一种结合自注意力记忆与动态阈值的故障增强方法研究

近日，上海工程技术大学NVH团队在国际权威期刊《Measurement》（SCI二区，中科院工程技术类，影响因子5.6）发表了题为 “Few-Shot Anomaly Detection in Engine Cold Testing: A Synthetic Fault Augmentation Approach with Self-Attention Memory and Dynamic Thresholding” 的研究成果（发动机冷试小样本异常检测：一种结合自注意力记忆与动态阈值的故障增强方法）。论文提出了一种基于自注意力记忆与动态阈值的故障增强方法，有效解决发动机冷试小样本异常检测难题。

文章链接：https://doi.org/10.1016/j.measurement.2025.119046

一. 内容摘要

发动机冷试是汽车制造过程中关键的质量控制环节之一。与传统的热试相比，冷试无需燃油点火，背景噪声低，信号更为清晰，因此在检测早期机械故障方面具有独特优势。然而，冷试中的故障数据稀缺，且获取成本较高，导致故障样本极为稀缺，严重制约了异常检测模型的准确性和泛化能力。本文针对这一问题，提出了一种融合自注意力机制与动态阈值策略的创新方法。通过构建自注意力记忆条件生成模型（SAGM），在源域故障数据的基础上合成高保真虚拟故障样本，并结合长短期记忆自编码器（LSTM-AE）进行异常检测，实现了对重构误差的动态阈值调整。实验结果表明，该方法在1.5L四缸发动机冷试场景下的故障识别准确率高达99.23%，显著优于传统检测方法，展现出强大的泛化能力与工程应用潜力。

图1全文摘要图

二. 自注意力记忆生成模型（SAGM）

针对发动机冷试中故障样本稀缺的问题，本文提出了自注意力记忆条件生成模型（SAGM），用于合成高保真虚拟故障样本。该模型通过提取源域故障信号的关键频域特征，包括主频与边频的幅值比（α、βL、βR）以及周期平稳性指标（ICS），构建故障特征参数集，并与目标域正常信号融合生成虚拟样本。

图2 自注意力记忆生成模型（SAGM）流程图

SAGM引入自注意力机制，通过对输入特征的动态加权，能够自动识别并强调与故障相关的关键特征。这种机制能够自适应地捕捉到不同故障类型之间的复杂依赖关系，提升模型对复杂信号特征的建模能力，特别是在处理非平稳数据时表现出更强的鲁棒性。相比传统GAN与CGAN模型，SAGM在特征分布一致性上表现更优，生成样本与真实故障数据的参数一致性高达98.23%。此外，模型在时间域和频率域均能准确复现故障信号的周期性与调制特征，显著提升了数据多样性与泛化能力。

图3 SAGM的基本结构与计算过程

在训练过程中，通过引入条件对抗损失函数，SAGM能够优化生成的虚拟故障样本，使其在特征分布和统计特性上与真实故障数据高度一致。这种对抗优化不仅提升了生成样本的质量，还减少了由于数据稀缺性带来的偏差，增强了虚拟样本对目标领域的代表性。该方法有效缓解了小样本学习中的数据瓶颈，为冷试故障识别提供了可扩展的增强策略。

三. 异常检测：

LSTM-AE与动态阈值策略

在故障样本增强的基础上，本文构建了基于长短期记忆自编码器（LSTM-AE）的异常检测模型。该模型通过学习发动机冷试过程中的时间序列数据，提取其潜在结构特征，并重构原始信号。当输入数据为异常信号时，模型的重构误差显著升高，从而实现故障识别。

图4 LSTM-AE与动态阈值策略流程图

为提高检测精度与稳定性，本文引入了一种滑动窗口动态阈值策略。该策略通过实时调整重构误差的判断阈值，能够适应信号的波动性和非平稳性，确保在不同工况下均能高效地检测到微弱的异常信号，从而避免了传统固定阈值方法可能导致的误报和漏报问题。

四. 实验验证与性能表现

为验证所提方法的有效性，在某1.5L四缸发动机冷试平台上开展了系统实验。通过三轴加速度传感器采集振动信号，构建了包含800条正常样本与200条真实故障样本的数据集，并利用SAGM模型生成300条高保真虚拟故障样本，形成总计1300条样本的混合数据集。在小样本场景下，SAGM生成的虚拟样本在特征分布上与真实故障数据高度一致，有效提升了模型的泛化能力。

图5关键特征参数边缘分布直方图

此外，通过LSTM-AE模型引入滑动窗口动态阈值机制，使得异常检测在非平稳信号环境下依然保持高灵敏度与低误报率。混淆矩阵与ROC曲线分析进一步验证了该方法在故障识别中的稳定性与鲁棒性，为发动机冷试中的智能故障诊断提供了可靠技术支撑。在对比实验中，该方法与1D-CNN、ResNet-50、EfficientNet和ViT等主流模型进行了性能评估。结果显示，本方法在训练集和测试集上的AUC值分别达到0.926和0.912，平均检测准确率高达99.23%，显著优于其他模型。

图6不同模型的训练集与测试集ROC曲线

五. 相关研究成果

本文针对发动机冷试中故障样本稀缺、信号非平稳等挑战，提出了一种融合自注意力记忆机制与动态阈值策略的故障增强与异常检测方法。通过构建SAGM模型生成高保真虚拟故障样本，并结合LSTM-AE实现对重构误差的动态阈值调整，显著提升了小样本场景下的检测准确率与模型鲁棒性，实现了99.23%的故障识别率，优于多种主流模型，验证了其在实际工程中的应用潜力。下一步将进一步拓展SAGM模型对多故障特征的建模能力，提升其在复杂工况下的稳定性与泛化能力。同时，该方法具备迁移至其他旋转机械系统（如电机、齿轮箱、涡轮机等）的潜力，有望为智能制造与设备健康监测提供更广泛的技术支持。

图7 基于自适应阈值的LSTM-AE模型检测结果

六. 致谢

本研究得到了以下项目的资助：国家自然科学基金项目（No: 52172371）、上海市自然科学基金项目（No: 25ZR1401153），以及上海市新能源汽车振动噪声评价与控制专业技术服务平台基金（No: 8DZ2295900）。