发动机故障诊断智能体（三）：面向小样本故障的真实样本加权对比特征学习

在完成基于海量正常样本的时序自编码器预训练后，编码器已具备了基础的时序压缩与工况表征能力，但各类稀有故障样本在潜在特征空间中仍可能存在分布重叠与边界模糊问题。针对多类小样本气路故障难以精准剥离的瓶颈，论文《Continual contrastive reinforcement learning: Towards stronger agent for environment-aware fault diagnosis of aero-engines through long-term optimization under highly imbalance scenarios》设计了专用的特征区分模块。该模块引入了对比学习，通过在特征投影空间中拉近同类故障表征、推开异类故障表征，从几何分布层面提升不同故障模式的类间可分性与类内聚合度。

在样本对构建策略上，该方法严格遵循航空动力系统的物理规律，摒弃了常规依靠人工合成或扰动时序数据的数据增强手段。在图像领域常用的对比学习往往依赖旋转、裁剪等几何变换构造正样本，但对于复杂的连续飞行参数序列，人工插值或形变缺乏明确的热力学理论依据，极易引入不可控的伪特征。为此，该研究直接利用历史运行库中的真实标注样本构建样本对，将属于同一种故障类型的真实时序序列组合为正样本对，而将属于不同故障类别或正常状态的样本组合为负样本对，确保了特征空间优化过程完全基于真实的物理退化轨迹。

特征区分模块在网络架构上由预训练的时序编码器和多层非线性投影头级联而成。预训练好的长短期记忆网络负责将输入的连续飞行监测矩阵编码为固定维度的全局隐层向量；随后，包含两个全连接层的投影网络将该隐层向量进一步映射至低维投影空间。在低维特征空间中，模型采用方向余弦相似度作为衡量表征相关性的度量准则，通过评估向量之间的夹角大小，直接量化任意两个飞行样本在特征层面的拓扑距离，为损失函数的梯度回传提供显式的几何反馈。

为了适应小样本故障场景下的样本比例失衡，研究对标准的对比学习温度缩放交叉熵损失函数进行了权重修正。在实际机队运行中，发动机不同故障模式的样本数量差异显著，且即便属于不同故障类型，参数仍受制于相同的热力学基准，导致负样本对在数量和分布上极易对梯度优化形成干扰。因此，模型在损失计算中显式引入了正负样本调节权重，通过增强同类故障正样本对在损失中的拉聚约束，同时合理约束不同故障负样本对的排斥强度，防止大量负样本梯度淹没稀缺正样本的特征聚合过程，从而促使有限的故障样本形成紧凑的特征簇。

在网络训练策略上，该模块采取了分层差异化学习率的微调机制，以兼顾通用时序规律与特异性故障特征。在对比学习优化过程中，预训练时序编码器被赋予极低的学习率，而新增的非线性投影网络则使用常规学习率进行训练。这种参数更新策略有效避免了小样本数据对编码器底层权重的剧烈破坏，既保留了自编码器在海量正常工况中沉淀的时序动态理解能力，又赋予了投影层充足的自由度去学习细微的故障区分边界。

经过加权对比微调后，多维气路特征在投影空间中呈现出明显的流形聚类特性，缓解了小样本分类中的特征混淆问题。训练完成后，非线性投影头被剥离，而参数得到优化的时序编码网络则作为固定的特征提取前端，整体无缝嵌入至下游的深度强化学习决策网络中。这种将对比表征与决策控制解耦的设计，使得后续的强化学习智能体无需再承受底层高维时序信号的表征负担，得以专注于在高度结构化的紧凑特征空间内执行高可靠性的故障分类决策。

参考文献：

Continual contrastive reinforcement learning: Towards stronger agent for environment-aware fault diagnosis of aero-engines through long-term optimization under highly imbalance scenarios[J]. Advanced Engineering Informatics, 2025, 65(C): 103297.