用于数字孪生中传感器故障诊断与缓解的分层多注意力神经网络

为什么智能工厂需要可信的“感官”

随着工厂、电网和供水网络变得更加智能，它们依赖成千上万微小的电子“眼睛和耳朵”将数据提供给数字孪生——用于监测和控制现实设备的虚拟副本。但即便只有少数传感器因磨损、干扰或故障开始产生不真实的数据，数字孪生也可能被严重误导，导致错误决策，极端情况下引发连锁故障。本文提出了一种新的方法，能够持续识别异常传感器读数并默默用可信的虚拟估计值替代，从而保持数字孪生——以及其背后的物理系统——的稳定运行。

从物理设备到它们的虚拟镜像

数字孪生像是变压器或水箱网络等物理系统的实时高保真镜像。它们依赖温度、压力、流量等测量流来进行假设情景测试、安排维护和调整控制。传统的传感器保护方法通常需要并联安装三个物理传感器并以多数表决为准——这是一种简单但代价高昂的策略。近来的工作则更多采用数据驱动的方法：模型从历史数据中学习传感器应有的行为并标记偏离。然而，当数据复杂、故障微妙或多个传感器以复杂方式相互作用时，许多方法会遇到困难。作者认为，现代神经网络中的注意力机制若被更聪明地利用，可以克服这些局限。

教会虚拟传感器“预期”现实

所提出架构的第一个构件是虚拟传感器模块——每个物理传感器对应的软件替代品。它通过观察来自所有传感器的短时间窗口内最近数据，学习预测每个传感器应读到的值。为实现良好预测，该模块并行使用两个不同的神经分支。其一基于Transformer编码器，擅长识别时间上的长期模式；另一个是双向循环网络，沿序列前后双向观察以捕捉不同传感器在每一时刻的相互关系。随后，交叉注意力机制让这两个分支交换信息，强调相互一致的特征并弱化噪声。其结果是对每个健康传感器在每一时刻应报告值的高度准确预期。

将差异转化为明确的警示信号

当虚拟传感器给出预测后，系统将其与实际测量值进行比较。两者之间的绝对差——残差——是故障检测的原始依据。较小的残差表明正常行为，而较大的残差可能预示问题。但真实世界的数据通常杂乱，即便是良好传感器也很少与虚拟模型完全一致。为将无害的波动与真实故障区分开来，作者将残差序列输入第二个主要模块：由卷积神经网络构建的故障诊断块。这里同样有两条并行分支，各自专注不同方面。一条使用称为squeeze-and-excitation的技术自动重新加权通道，聚焦最具信息量的模式；另一条应用全局注意力，突出整个残差图中重要的区域。交叉注意力融合了这些全局与局部线索，使分类器能够区分正常运行与三种故障类型：恒定偏置、渐进漂移和放大（增益）误差。

自动替换失效传感器

仅检测不够；系统还必须在故障发生时保持数字孪生平稳运行。为此，架构包含一个决策模块，类似自动交通指挥器。对每个传感器，该模块接收真实读数与虚拟预测，以及表明是否存在故障的诊断结果。如果传感器被判断为健康，其真实读数会传递给数字孪生；若被标记为故障，则立即切换为虚拟读数。此动态替换可对许多传感器并行进行，无需人工干预，防止错误数据传播到更广泛的控制与优化算法中。

新方法在实践中的表现如何

研究人员在两个公开数据集上测试了他们的方法：一个记录了电力变压器的温度，另一个采集了由100个相互连接水箱构成网络中的压力。他们在真实测量数据中注入了多种类型与不同持续时间的逼真人工故障，然后训练并评估系统。虚拟传感器产生的预测比若干强基线更为准确，包括标准循环网络和纯Transformer模型。诊断模块也优于竞争的分类器与自编码器，尤其在不同故障类型重叠或多重故障同时发生的困难场景中表现更佳。对于复杂的多故障情形，准确率提升尤为明显，而传统的单分支模型常在此类情形中陷入混淆。

这对未来智能系统意味着什么

简而言之，研究表明，基于多注意力神经网络的精心设计监护系统可以实时检测并纠正故障传感器读数，大幅提高数字孪生的鲁棒性。通过结合对时间模式与传感器关系的互补观察，并在必要时自动切换到虚拟测量，所提出的架构有助于即便在部分物理“眼睛”失灵时仍保持虚拟镜像的可信度。这反过来支持了在迈入工业5.0时代时，对电网和供水网络等关键基础设施更安全、更可靠的运行保障。

引用: Pan, L., Li, H., Li, X. et al. Hierarchical multi-attention neural networks for sensor fault diagnosis and mitigation in digital twins. Sci Rep 16, 8665 (2026). https://doi.org/10.1038/s41598-026-42046-5

关键词: 数字孪生, 传感器故障诊断, 工业物联网, 神经网络, 注意力机制