基于时空注意力机制与融合TCN-Transformer的振动异常检测方法

来源：振动与冲击杂志2025年第23期北京时间：

作者：黄鋆，王呈69050@stu.jiangnan,夏源,杜林

单位：1.江南大学物联网工程学院，江苏无锡214112；2.江阴怡源智信运维技术股份有限公司，江苏江阴214400

摘要：传统异常检测方法因存在无法有效刻画时序数据的长短期特征、忽略传感器空间关联性，以及难以处理数据缺失等问题，导致检测精度无法满足工业设备异常检测需求。为此提出新型多元时序异常检测方法T2MS-TADM(Transformer-TCN Multi-Scale Temporal Anomaly Detection Model )。针对振动时序数据的复杂时空特性，基于图神经网络动态构建时空图，融合时间、差分与空间注意力层，刻画振动数据的长时趋势、短时波动与空间拓扑特征。进而，整合TCN的局部卷积特性捕捉短时波动异常，结合Transformer的全局注意力机制识别长时趋势异常，并采用末端特征拼接策略提升多尺度异常检测精度。针对网络波动等因素导致的时序数据缺失问题，提出可变长度掩码块生成方法。通过优化掩码策略动态模拟真实数据丢失场景，保护关键时序信息不被过度遮挡，增强模型的鲁棒性。实验结果表明，所提出的方法在MSL、SMAP等四个基准数据集上展现出显著性能优势，其F1-score指标平均达到0.934，相较现有主流算法平均提升4.75%。在自建的包含18个特征维度的VAD-LSC振动数据集上，该方法取得0.913的F1-score，验证了其在工业场景下的有效性，为工业设备异常检测提供可靠技术支撑。<br>

关键词：振动分析；多元时间序列；异常检测；图注意力机制；融合网络