基于仿真-实验数据融合和元学习的单域泛化方法在旋转机械故障诊断中的应用

《Engineering Applications of Artificial Intelligence》：Single domain generalization method based on simulation-experiment data fusion and meta-learning for rotating machinery fault diagnosis

单域泛化故障诊断方法通过融合仿真与实验数据，构建改进的Wasserstein生成对抗网络生成多样化样本并确保物理约束，结合基于相似度度量的元学习方法提升跨域诊断能力，实验验证了其在未知域中的有效性。

　　
随着工业技术的快速发展，旋转机械的运维安全需求日益提升。这类设备在高速运转过程中可能因轴承磨损、裂纹扩展等隐患导致突发故障，其故障特征在时域、频域和频谱空间往往呈现复杂非线性关系。传统人工诊断方法依赖工程师经验判断，存在主观性强、效率低等缺陷。近年来基于深度学习的智能诊断技术快速发展，通过构建多层神经网络自动提取特征，在故障分类、模式识别等方面取得显著成效。典型方法包括自动编码器提取低维特征（Yang等，2022）、卷积神经网络处理振动信号时频特征（Zhu等，2021）、循环神经网络捕捉时序依赖（Zhu等，2022）等。这些方法在封闭环境下的故障诊断精度已接近专家水平，但在实际工业场景中面临两大核心挑战：跨工况泛化能力不足和训练数据分布受限。

当前研究主要围绕两种技术路径展开：一种是基于域适应（Domain Adaptation, DA）的迁移学习，通过对抗训练消除源域与目标域的特征差异（Zhang等，2023）；另一种是域泛化（Domain Generalization, DG）方法，通过多源域训练提升模型鲁棒性（Sun等，2025b）。然而，这两种技术路线在实际应用中均存在明显局限。域适应方法需要同时获取源域和目标域的训练数据，这在设备工况频繁变化的工业场景中难以满足。以轴承故障诊断为例，当新工况参数（如转速、载荷）出现时，传统域适应方法要求重新收集对应目标域的数据进行训练，这在设备运行中实时获取目标域数据几乎不可能实现。此外，现有域泛化方法普遍采用数据增强技术生成多样化样本，但生成数据往往缺乏物理机理约束，导致特征分布与真实工况存在偏差。例如，部分研究通过风格迁移（Style Transfer）或对抗生成（GAN）扩充数据集（Wang等，2023a；Pu等，2024），这类方法虽然能提升数据多样性，但生成的样本可能不符合机械故障的真实物理机制，如轴承内圈和外圈故障的应力分布规律存在本质差异，但现有方法常将这类差异较大的样本混合增强，反而削弱模型对关键物理特征的捕捉能力。

针对上述技术瓶颈，研究者提出融合仿真实验数据与元学习的单域泛化诊断框架。该框架包含三个核心创新模块：首先，基于Wassuerstein距离优化的生成对抗网络（Div-WGAN）创新性地引入物理约束评估机制，通过动态反馈调节生成样本的多样性指数与物理合理性指标。该网络在对抗训练过程中不仅关注生成样本与真实样本的分布匹配度，还实时计算样本的应力分布相似性、振动频谱特征连续性等物理约束指标，确保生成数据在统计多样性之外符合机械系统的物理本质。其次，构建了基于动态力学模型的仿真数据融合系统，将ANSYS等商用仿真软件生成的轴承接触应力分布、振动模态特征等物理参数嵌入数据增强过程。实验表明，这种虚实融合的数据生成方式可使模型特征提取准确率提升23.6%，特别是在处理边界工况（如转速突变、载荷阶跃变化）时表现更优。最后，设计了基于相似性度量的元学习架构，通过构建可学习的样本关系矩阵，将不同工况下的故障模式映射到统一的特征空间。在诊断阶段采用多样本相似性累积策略，通过加权计算多个同类样本的联合特征分布，有效克服单一样本诊断的局限性。

该方法的突破性体现在三个方面：其一，在数据生成阶段建立物理约束评估体系，将机械系统的动力学方程、材料本构关系等物理规律转化为可量化的约束指标。例如，针对滚动轴承故障，系统会实时检测生成样本的接触应力分布是否满足Hertz接触理论，振动频谱是否包含特征频率成分，从而确保增强数据符合实际物理机制。其二，构建虚实融合的数据增强框架，通过动态耦合仿真数据与实测数据。具体而言，采用多体动力学仿真获取不同故障模式下的轴承接触应力场分布，结合实测振动信号的时间序列特征，利用注意力机制（Attention Mechanism）实现物理参数与信号特征的动态耦合，这种融合方式使模型能够同时捕捉机械结构的物理特性与振动信号的非线性模式。其三，创新性地将元学习与相似性度量相结合，设计了具有领域适应性的特征空间映射方法。该方法通过对比学习（Contrastive Learning）构建样本间的相似性度量矩阵，在训练过程中动态调整特征空间的维度与分布，使得不同工况下的故障模式在特征空间中形成合理的聚类结构。在诊断阶段采用相似性积分策略，对同一故障类别下的多个样本进行联合特征分析，通过加权求和机制提升复杂工况下的诊断鲁棒性。

在工程验证方面，研究团队选取PU轴承故障数据库和西北工业大学自建的工业齿轮箱故障数据集进行测试。PU数据集包含正常、内圈故障和外圈故障三种工况，采样频率达64kHz，能够捕捉到微米级裂纹扩展产生的振动信号畸变特征。实验对比显示，在仅使用单一工况（如正常+内圈故障）数据进行训练的情况下，传统域适应方法在未知工况（如正常+外圈故障）下的诊断准确率仅为78.2%，而本方法通过物理约束增强的数据生成和元学习机制，将跨工况诊断准确率提升至92.4%，且在转速波动±15%、载荷变化30%的工况下仍保持85%以上的稳定诊断率。特别在处理新工况（如未训练过的外圈裂纹扩展）时，该方法通过物理约束数据增强模块，有效保留了轴承接触应力分布、振动包络谱等关键物理特征，使得诊断模型能够基于物理机理进行迁移学习。

在工程应用层面，该方法展现出显著的优势。首先，数据生成过程严格遵循机械系统的物理规律，避免了传统GAN方法可能产生的病态样本。其次，元学习架构中的相似性度量矩阵能够自适应调整权重，在多个目标域间实现特征空间的动态对齐。最后，诊断策略的多样本协同机制有效解决了单样本诊断中存在的特征缺失问题，例如当单个振动信号未包含足够特征信息时，系统会自动融合同类样本的多个观测维度数据，通过特征空间重构提升诊断可靠性。

未来研究可沿着三个方向深化：其一，将数字孪生技术集成到数据增强过程中，实现虚实数据的实时交互与动态更新；其二，探索跨尺度特征融合机制，将微观的应力分布数据与宏观的振动信号进行多尺度联合建模；其三，开发轻量化边缘计算版本，满足工业现场实时诊断的需求。这些技术演进将进一步提升该方法在复杂工业场景中的实用价值，推动智能运维从实验室研究向实际生产线的全面落地。

该研究为解决单域泛化场景下的故障诊断难题提供了新的技术范式。通过将物理仿真数据与元学习框架有机结合，不仅突破了传统数据增强方法在物理约束方面的局限，还创新性地建立了基于机械系统物理特性的特征空间映射机制。这种深度融合机理建模与数据驱动方法的解决方案，为工业设备智能化运维提供了重要的技术支撑，特别是在设备全生命周期管理、预测性维护等场景具有重要应用价值。