时序解耦自编码器：用 β‑VAE 和 TCN 实现铣削刀具磨损的可解释异常检测
模型说刀具已经失效，可它是根据哪一路振动？哪一段切削时间？
传统的异常检测方法往往将多传感器信号拼接成一个大向量，然后扔进黑箱模型，虽然能输出健康/退化/失效的标签，却无法回答一个对工程师至关重要的问题：判断依据是什么？是主轴振动异常加剧，还是电流波动超出了正常范围？
提出方法尝试从2个角度同时破局：一是利用时序卷积网络TCN捕获切削过程中的长期依赖关系，二是采用 β‑变分自编码器将信号映射到可解释的隐空间，并分别从输入空间（重构误差）和隐空间（KL 散度）给出异常分数。更重要的是，还展示了如何通过对比这两个空间的分数趋势、各传感器的单独贡献以及不同切削参数下的性能差异，让模型从黑箱变成白盒。
01 问题动机：多传感器时序数据的黑箱困境
在铣削加工中，刀具磨损是一个渐进且非线性的过程，工业现场通常安装多种传感器：主轴/工作台上的声发射传感器、加速度传感器以及驱动电机的电流传感器。这些信号的时间跨度长（数万采样点），且相互之间耦合复杂。
传统做法包括：
基于统计特征：提取均方根、峭度等，然后送入 SVM 或随机森林，缺点是需要手工设计特征，且丢失了时序动态信息。
端到端时序网络：如 LSTM、TCN，可以自动学习时序模式，但输出只有类别概率，工程师无从得知模型到底关注了哪个传感器、哪个时段。
目标是设计一个既保持高检测率，又能揭示故障演化过程的模型，β‑VAE 天然具备解耦表示学习的能力——通过调节 β 超参数，强制隐变量分解为相互独立的因子（如整体磨损程度、振动主频偏移量等）。而 TCN 的因果卷积结构使得网络只能利用当前及历史信息，避免未来信息的泄漏，更贴近实时监测场景。
02 方法架构：β‑VAE + TCN 的联合设计
2.1 数据预处理与滑动窗口
原始数据包含 167 次切削试验，每次切削持续约 36 秒（12kHz 采样率），提取 6 路信号：AE 主轴、AE 工作台、振动主轴、振动工作台、直流电流、交流电流。采用窗口长度 64、步长 64 进行切分，每个窗口覆盖约 0.13 秒的加工过程。根据刀具后刀面磨损量将窗口标签划分为：健康（磨损<0.2mm）、退化（0.2–0.7mm）、失效（>0.7mm）。值得注意的是，模型训练仅使用健康样本，这是典型的一类分类策略——因为很难预先获得所有可能的退化/失效模式。
2.2 编码器：TCN 下采样 + 重参数化
编码器由堆叠的 TCN 模块和最大池化层组成，TCN 采用因果空洞卷积，其感受野随层数指数增长，能够捕捉长距离的时序依赖。通过多次下采样，将 64×6 的输入压缩为一维隐向量 z（维度通常设为 10–40）。该隐向量的均值和方差分别由2个全连接层输出，再通过重参数化技巧采样得到 z。
2.3 解码器：上采样 + TCN 重构
解码器是对称结构：全连接层将隐向量放大至池化前的尺寸，随后使用 UpSampling1D 交替上采样，再由 TCN 精细还原波形。输出层采用 Sigmoid 激活函数，使重构值保持在 [0,1] 范围（信号已归一化）。损失函数由2项组成：
重构误差：交叉熵（等价于 MSE，因为信号已二值化处理）。
β 加权的 KL 散度：衡量隐分布与标准正态分布的差异。当 β > 1 时，模型被强制学习更解耦、更紧凑的隐表示。
2.4 异常分数与阈值
对于测试样本，计算两种异常分数：
输入空间分数：窗口内 6 路信号的重构均方误差MSE，MSE 越大，说明当前模式偏离健康样本越远。
隐空间分数：编码器输出的 KL 散度，KL 散度反映隐变量与标准正态的偏离程度，对早期磨损更加敏感。
在验证集上，将失效类（label=2）视为正类（异常），健康类（0）视为负类，通过网格搜索最大化 PR‑AUC 来选择最佳阈值。然后使用该阈值在测试集上评估最终性能。
03 可解释性：四个维度的白盒分析
设计了4组互补的分析实验，分别验证模型的物理合理性。
3.1 输入空间 vs 隐空间：哪一个更早预警？
在一次完整的切削试验中，沿着时间轴绘制 MSE 和 KL 散度的变化曲线。观察到KL 散度在磨损进入退化阶段（≈0.2mm）时即出现明显抬升，而 MSE 直到失效阶段（>0.7mm）才剧烈变化。这说明隐空间对早期异常更敏感，适合做预警；而输入空间更适合确认失效。两者搭配可以形成早期预警+后期确认的双重保险。
3.2 各路信号的独立贡献：是电流还是振动出了问题？
将解码器的输出改为只重构某一路信号（其余通道留空），计算该路的单独 MSE。结果发现：在健康→退化阶段，AE 工作台的 MSE 率先升高；而在退化→失效阶段，直流电流和振动主轴的 MSE 贡献最大。这一发现与切削物理一致——早期刀具磨损表现为高频声发射变化，后期则引起主切削力（电流）和颤振（振动）的显著改变，工程师可以据此定位需要优先检修的子系统。
3.3 不同切削参数的影响：模型泛化能力检验
铣削实验涵盖 16 种不同的切削条件（铸铁/钢、进给率 0.25/0.5 mm/齿、切削深度 0.75/1.5 mm）。我们将测试集按照这些参数分组，分别计算每组在隐空间上的 PR‑AUC。结果显示：
铸铁的性能（PR‑AUC=0.92）优于钢（0.86），可能是因为铸铁的断屑更规则，信号信噪比更高。
高进给率（0.5）的性能高于低进给率（0.91 vs 0.84），高进给加剧了磨损进程，使异常特征更容易被捕获。
不同切削深度之间的差异较小（0.90 vs 0.88）。
这些对比不仅验证了模型的鲁棒性，也为实际应用中针对不同工况单独校准阈值提供了依据。
3.4 对比输入空间与隐空间的 PR‑AUC
在测试集上，输入空间（MSE）的 PR‑AUC 为 0.89，隐空间（KL）的 PR‑AUC 为 0.92。两者显著优于随机猜测（0.07）。若将两种分数做简单平均，PR‑AUC 可进一步提升至 0.94。这证明两个空间提供了互补信息，融合是有益的。
class Sampling(layers.Layer): """重参数化采样层：从 N(mean, exp(log_var)) 采样""" def call(self, inputs): mean, log_var = inputs epsilon = tf.random.normal(tf.shape(log_var)) return mean + tf.exp(0.5 * log_var) * epsilon def build_beta_vae(input_shape, codings_size=10, beta=1.25, conv_layers=3, filters_start=32, kernel_size=2, dilations=[1,2,4]): """构建 β-VAE，编码器和解码器均采用 TCN + 上采样/下采样""" window_size, feat = input_shape # ---------- 编码器 ---------- inputs = keras.Input(shape=(window_size, feat)) x = inputs # 多层 TCN + 最大池化（降维） for _ in range(conv_layers): x = TCN(nb_filters=filters_start, kernel_size=kernel_size, dilations=dilations, padding='causal', use_skip_connections=True, return_sequences=True, activation='selu')(x) x = layers.BatchNormalization()(x) x = layers.MaxPool1D(pool_size=2)(x) x = layers.Flatten()(x) mean = layers.Dense(codings_size)(x) log_var = layers.Dense(codings_size)(x) z = Sampling()([mean, log_var]) # 隐变量 encoder = keras.Model(inputs, [mean, log_var, z], name='encoder') # ---------- 解码器 ---------- decoder_input = keras.Input(shape=(codings_size,)) # 全连接重塑回池化前的维度 pool_steps = window_size // (2 ** conv_layers) h = layers.Dense(filters_start * pool_steps, activation='selu')(decoder_input) h = layers.Reshape((pool_steps, filters_start))(h) # 上采样 + TCN for _ in range(conv_layers): h = layers.UpSampling1D(size=2)(h) h = layers.BatchNormalization()(h) h = TCN(nb_filters=filters_start, kernel_size=kernel_size, dilations=dilations, padding='causal', use_skip_connections=True, return_sequences=True, activation='selu')(h) outputs = layers.Conv1D(feat, kernel_size=1, padding='same', activation='sigmoid')(h) decoder = keras.Model(decoder_input, outputs, name='decoder') # ---------- 完整 β-VAE ---------- _, _, z = encoder(inputs) recon = decoder(z) vae = keras.Model(inputs, recon) # 添加 β 加权的 KL 散度损失 kl_loss = -0.5 * beta * tf.reduce_sum(1 + log_var - tf.exp(log_var) - tf.square(mean), axis=-1) vae.add_loss(tf.reduce_mean(kl_loss) / (window_size * feat)) vae.compile(optimizer='adam', loss='binary_crossentropy') return vae, encoder, decoder参考文章：
时序解耦自编码器：用 β‑VAE 和 TCN 实现铣削刀具磨损的可解释异常检测
如果你对信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测有疑问，或者需要论文思路上的建议，欢迎学术付费咨询（kang20224）
工学博士，《MSSP》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测