企业官网建设流程全解析

论文题目：Zero-shot pipeline fault detection using percussion method and multi-attribute learning model（基于敲击法与多属性学习模型的零样本管道故障检测）
期刊：Mechanical Systems and Signal Processing，2025

摘要：近年来，基于机器学习的敲击法作为一种低成本、易操作的无损检测技术，受到了广泛关注。然而，传统机器学习分类方法无法识别训练数据集中未包含的故障等级，限制了其实际应用。本文提出一种基于多属性学习模型的零样本管道故障检测方法，无需在训练阶段获取未见故障类别的直接信号样本，即可对其进行识别。该方法使用六维属性向量描述每一种故障类别的独特性质。在属性学习阶段，将一维卷积神经网络（1D-CNN）与双向长短期记忆网络（BiLSTM）结合，构建多属性学习模型以预测故障属性；随后，基于欧氏距离的分类器计算预测属性向量与预定义属性表示之间的相似性，实现故障识别。实验结果表明，当测试数据来自训练阶段未见过的管道时，该方法的分类性能显著优于其他方法，表现出更强的适应性和鲁棒性。更重要的是，该方法能够有效识别未见过的故障严重程度，突破了传统方法的限制。综上，本文为故障诊断中的数据稀缺问题提供了一种新思路，并具有应用于复杂工业环境的潜力。

一、研究背景与核心问题

管道可能发生泄漏，也可能出现内部积水等沉积问题。敲击检测（Percussion Method）利用不同故障状态下的声学响应差异判断管道健康状况：用锤子敲击管壁，采集声音，再用算法识别故障。相比复杂的专用检测设备，这种方式成本低、操作简单；结合深度学习后，还能直接从原始一维音频中自动学习特征。

问题在于，传统分类器只能识别训练时定义且提供了样本的故障类别。例如训练集中只有直径 10 mm、20 mm 的泄漏，实际遇到此前没有采过声音的另一种泄漏程度，闭集分类模型通常只能把它归入已有类别。工业现场又很难为了训练模型，刻意制造所有尺寸的泄漏和全部沉积程度。

这篇论文的关键转变是：不直接学习“声音 → 某个固定类别”，而是学习“声音 → 可解释的故障属性 → 故障类别”。只要新故障能够用已有属性体系描述，就有机会通过属性迁移完成零样本推断。需要注意，本文主要验证的是已知故障类型下未见过的严重程度组合，而非凭空发现一种全新的故障物理类型。

二、方法整体框架：让声音先变成“属性”

论文 Figure 1：整体检测流程

Figure 1 将方法分为三步：采集管道敲击声并标注属性；利用双通道网络预测故障类型与故障程度；最后通过分层的欧氏距离匹配得到诊断结果。最值得关注的是，网络并不直接输出九种故障的 Softmax 类别概率，而是输出能够跨类别共享的属性。

2.1 六维故障属性怎么定义？

论文 Table 1：九种管道状态的六维属性描述

作者将每个故障类别表示为A = [t₁, t₂, t₃, t₄, l₁, l₂]。前四维是互斥的故障类型标记，依次表示正常、仅积水、仅泄漏、积水与泄漏同时发生，采用 0/1 二值描述；后两维是连续数值，其中 l₁ 表示泄漏程度、l₂ 表示积水程度，均归一化到 [0, 1]。

例如，正常状态 Class 0 的向量为 [1, 0, 0, 0, 0, 0]；只有较轻积水的 Class 1 为 [0, 1, 0, 0, 0, 0.5]；同时存在较严重泄漏与较轻积水的 Class 7 为 [0, 0, 0, 1, 1, 0.5]。这并不是由网络自动发现的语义，而是研究者根据故障物理含义预先设计的类别属性表。

这里的 0.5、1 不是随意的类别编号，而分别对应实验设定中的不同故障程度。两种程度之间的数值结构，使模型有机会利用已有类别学习未出现过的属性组合。单独保留故障类型属性也很重要：如果只比较严重程度，轻度故障容易因为数值接近正常状态而被错误归类。

三、多属性学习模型：为什么要用两个通道？

论文 Figure 2：双通道 1D-CNN + BiLSTM 网络结构

两个通道接收同一段原始敲击音频，却执行不同任务：Channel 1 输出四维故障类型属性，Channel 2 输出二维严重程度属性。两者采用相同的网络构成思路，但参数规模不同，分别训练各自的特征映射。这样，类型判断和程度估计不必挤在同一个输出空间中互相干扰。

3.1 1D-CNN 提取局部声学特征，BiLSTM 建模时序依赖

每个通道都先经过两层一维卷积。第一层采用宽度为 256、步长为 32 的卷积核，用于捕捉较大时间范围内的信号模式；第二层使用宽度为 3 的小卷积核，进一步提取细粒度变化。卷积后结合归一化、ReLU、Dropout 和最大池化，再通过双层 BiLSTM 从两个时间方向建模序列特征，最后由全连接层完成属性预测。

论文 Table 2–3：类型通道与严重程度通道的网络参数

从 Table 2–3 可以看出，类型通道的两层卷积输出通道数为 32、64，BiLSTM 隐藏维度为 32；程度通道对应为 16、32 和 16。两者 Dropout 均为 0.15，最终输出维度分别为 4 和 2。通道独立并不等于结构完全不同，真正差别是各自负责的属性任务和网络容量。

3.2 训练目标：同时拟合类型属性和程度属性

作者使用均方误差（MSE）监督两个输出分支，并把两路损失相加：

其中，MSEₜ 衡量四维类型属性预测误差，MSEₛ 衡量二维程度属性预测误差。虽然类型属性采用 0/1 编码，但作者并未将其设置为传统的类别交叉熵分类任务，而是统一视作属性数值预测。模型训练使用 Adam 优化器；论文给出的学习率为 0.00009，批量大小为 90，训练 100 个 Epoch。

四、分层属性匹配：零样本识别真正发生在哪里？

论文 Figure 3：先判断故障类型、再判断故障程度的分层分类流程

属性预测完成后，并不是直接对六维向量做一次最近邻匹配。作者使用两阶段分类策略：第一阶段，将预测的四维类型向量与预定义类型原型比较，选出欧氏距离最小的故障类型；第二阶段，仅在这一类型对应的候选类别中，比较二维严重程度向量，选出最近的故障等级。

距离计算采用：

其中 X 是模型预测的属性向量，Y 是候选类别预先定义的属性向量，n 为当前阶段使用的属性维数。该策略的直观意义是：先解决“属于哪一类故障”，再解决“这类故障有多严重”，避免严重程度数值影响故障类型的判定。

所谓零样本能力就体现在这里：训练时可以完全去掉某个故障等级的敲击样本，但其属性原型仍可根据物理定义事先给出。推理时只要模型把声音映射到接近该原型的位置，分类器就能输出这一未见类别。因此，这不是“不需要任何先验知识”的零样本，而是依赖可定义、可迁移的故障语义属性。

五、实验结果：跨管道泛化、未见等级与抗噪能力

5.1 实验数据与评价设置

论文 Figure 4–5：九根试验钢管与手机录音采集示意

论文 Table 4：九种故障状态与各数据集的样本数量

实验使用九根相同规格的 20# 无缝钢管，外径 114 mm、壁厚 6 mm，并按管道分成 A、B、C 三组。泄漏孔径设为 0、10、20 mm，积水体积比例设为 0%、5%、10%，组合形成9 个类别（Class 0–8）。敲击由人工完成，手机放在距离敲击点约 100 mm 处，以 48 kHz 采样。每个类别在 A、B 组各采集 360 段声音，C 组各采集 180 段，因此 A+B 合并后的 D 数据集每类有 720 段，C 数据集每类有 180 段。

论文设计了两个案例：Case I 把 D 数据集按 3:1 划分训练与测试，检验同一批管道上的识别；Case II 用 D 训练、用从另一组管道采集的 C 测试，检验未见管道上的泛化。此外，作者还会从训练集中去掉 Class 1、3 或 7 的全部样本，但测试集仍包含全部九类，以专门考察未见故障等级识别。评价指标包括 Accuracy、Precision、Recall 和 F1-score。

5.2 同管道识别：100% 准确率为何不是最重要的结论？

论文 Table 5：同管道、全部类别可见时与七种基线方法的对比

Case I 中，本文方法在九类故障上的 Accuracy、Precision、Recall 和 F1-score均为 100%；但其他深度学习模型也取得了很高的结果，例如 1D-WCNN 与 1D-ResNet 的 Accuracy 均达到 99.94%。这说明在训练、测试来自相同管道且类别一致的条件下，区分故障并不困难。

作者特别指出，同一管道和相近采集条件使训练、测试信号具有高度相似性，可能高估模型的实际应用表现。因此，100% 不能直接推导出模型能适用于新管道或新故障等级；后续实验才是真正关键的证据。

论文 Figure 6：同管道条件下，依次移除 Class 1、3、7 的零样本混淆矩阵

当某一类别完全不参与训练时，大多数已见类别仍能被准确识别，但未见类别的准确率出现不同程度下降。这证明属性匹配可以对未见程度进行一定推断，同时也说明零样本识别并不等于所有新等级都能获得接近 100% 的准确率。

5.3 跨管道识别：最有说服力的主实验

论文 Table 6：训练于 D、测试于独立管道 C 的方法对比与单通道对照

换成未见管道 C 进行测试后，传统方法的准确率明显下降。七种外部基线中，表现最好的是 Mel 频谱图 + CNN（83.89%）；只用 Channel 1 或 Channel 2 独立预测完整六维属性时，准确率分别为82.84% 和 84.44%。相比之下，本文双通道、分层匹配方法达到98.77%，F1-score 同样为 98.77%。相对最好的单通道对照，准确率提高14.33 个百分点。

论文 Figure 7：跨管道实验的训练曲线与九分类混淆矩阵

Figure 7 显示模型训练后准确率趋于稳定，跨管道测试混淆矩阵也主要集中在对角线。这个结果更能体现方法价值：即使钢管材料与尺寸一致，不同试件之间仍存在制造差异、环境噪声与人工敲击力度差异，而属性学习有助于模型关注与故障本身相关的表征。

关于“消融”的边界：Table 6 给出的单通道对照，实际上让单个通道直接预测六维属性，再整体进行距离分类。因此，对比结果支持“独立学习两类属性并分层判断”的组合设计有效，但并不能严格拆开量化“双通道结构”和“分层分类器”各自贡献了多少；论文也没有提供单独移除 BiLSTM 或层级分类的完整消融表。

5.4 跨管道零样本：哪些没见过的等级能识别？

论文 Figure 8：独立管道 C 上，分别将 Class 1、3、7 设为未见类别的混淆矩阵

Figure 8 才对应本文最具挑战性的设置：训练没有某个等级的样本，测试又来自不同管道。作者发现模型对多数已见类保持较好识别能力，也能识别部分未见等级。其中，未见的Class 7（泄漏与积水共存）识别率超过 90%，表现最好；另外两种未见类别的效果相对弱一些。

为什么 Class 7 更容易？因为移除它之后，训练集仍有其他三种“泄漏 + 积水”的复合故障组合，模型已有较丰富的同类型属性参照。这提示零样本能力不仅取决于模型结构，还取决于已见类别是否覆盖了足够有代表性的属性组合。

5.5 噪声鲁棒性：优势明显，但低信噪比仍是难点

论文 Table 7：跨管道测试中，不同信噪比下的准确率对比

作者向 C 数据集测试信号加入高斯白噪声，在 20、16、12、10、8、6 dB 六个信噪比下测试。本文方法在20 dB 时准确率为 97.47%，12 dB 时为 92.16%，8 dB 时仍为 80.43%，整体优于各对照方法。然而当 SNR 降到6 dB，准确率下降至 62.28%，表明其抗噪性不是无限的。部分基于二维时频图的基线模型在噪声下退化更明显，也反映出信号表征方式会影响鲁棒性。

论文 Figure 9–11：分别移除 Class 1、3、7 训练样本后，不同噪声强度下的混淆矩阵

这三组图进一步把零样本与噪声干扰叠加。随着信噪比下降，误分类逐渐增多，尤其在 6 dB 时更加明显；不过作者认为，训练阶段缺少一个类别并未改变整体抗噪表现的下降规律。也就是说，模型具备一定鲁棒性，但新等级、陌生试件和强噪声叠加后，判断仍会变得困难。

六、总结与思考

如果用一句话概括这篇论文：作者把管道敲击声的固定类别识别改造为“故障类型 + 严重程度”的属性预测，再用分层最近邻匹配，把已见故障的知识迁移到没有训练声音样本的新等级上。

这篇论文的亮点不只是跨管道测试达到 98.77%，而是提供了一种对工业故障更有解释性的零样本建模路线：先根据工程知识定义属性，再让深度网络学习声音与属性的对应关系，最后通过属性空间中的距离完成推理。双通道结构缓解不同预测任务之间的干扰，分层分类让“故障是什么”和“程度有多大”不再混为一谈。

当然，论文的适用边界同样清晰：实验在同材质、同尺寸的九根钢管和有限的故障等级上完成，泄漏孔径覆盖 0–20 mm、积水比例覆盖 0–10%；如果实际程度超出预设范围，属性外推能力尚待验证。作者还指出，每种故障类型只有有限的程度标签，属性数值设计、超参数配置与距离度量都可能影响结果。从工程角度看，下一步更值得检验的，是不同材质、管径、边界条件和更连续的故障程度下，这种属性迁移能否持续有效。

真正值得记住的思路是：训练数据无法覆盖全部故障时，不妨先问：有没有一种可解释的属性表示，能够把“已知”和“未知”连接起来？