一种用于滚动轴承故障诊断的联合协作适应网络，能够应对类别不平衡和可变工作条件

《ADVANCED ENGINEERING INFORMATICS》：A joint collaborative adaptation network for fault diagnosis of rolling bearing under class imbalance and variable operating conditions

针对滚动轴承故障诊断中的域分布偏移和类别不平衡问题，本文提出联合协同适应网络（JCAN），通过对抗迁移学习提取域不变特征，结合类注意机制和软选择决策融合策略，动态优化少数类别的诊断性能，并在PU和MCDSP数据集上验证其优越性。

　　在工业4.0背景下，滚动轴承作为旋转机械的重要组成部分，对设备运行的稳定性和安全性具有决定性作用。因此，开发高效可靠的故障诊断方法变得尤为重要。传统上，故障诊断依赖于人工特征提取和信号处理技术，但随着技术的进步，该领域逐步转向基于统计建模的方法，并进一步发展为由深度学习驱动的智能化诊断系统。这些方法不仅提升了诊断的自动化程度，也增强了对复杂故障模式的识别能力。然而，在实际工业应用中，滚动轴承通常在多变的工况下运行，如负载、转速和温度的变化，这些因素导致了训练数据与测试数据之间的显著分布差异，从而影响了模型的泛化能力和特征表示的鲁棒性。此外，由于某些故障类型较为罕见，数据采集成本较高，导致部分故障类别样本数量不足，进而引发类别不平衡问题。这种不平衡会使得深度学习模型在学习过程中倾向于过度拟合多数类别，而忽视少数类别，最终降低对这些类别故障的检测敏感度。因此，如何有效应对工况变化和类别不平衡问题，成为滚动轴承故障诊断领域亟待解决的关键挑战。

为了解决这些问题，研究者们引入了迁移学习这一有效方法，通过将源域（已知条件下的训练数据）的知识迁移到目标域（未知条件下的测试数据），从而提升目标域上的诊断性能。迁移学习中的领域适应（Domain Adaptation）技术，尤其受到关注。领域适应通过在源域和目标域之间对特征进行对齐，来缓解由工况变化引起的分布偏移，从而增强模型的泛化能力并减少对大量标注数据的依赖。例如，Yang等人提出了一种基于能量的对抗性迁移网络，引入了能量判别策略，以更精确地建模不同领域之间的特征分布差异，从而提升领域适应的效果。Lu等人则设计了一种类别感知的双对抗领域适应模型，通过在特征对齐过程中考虑类别分布差异，防止因决策边界模糊而导致的误分类问题。An等人提出了一种基于高斯混合变分的Transformer领域适应故障诊断方法，结合了变分推断和Transformer的能力，以建模序列数据并捕捉复杂的领域关系，从而在跨领域故障诊断中取得了较高的准确性和鲁棒性。Ren等人则提出了一种通用联邦领域适应框架，引入了一种基于高斯混合模型的鲁棒伪标签生成机制，以减少标签噪声而不共享原始数据，从而在分布式数据源之间提升诊断的鲁棒性和数据隐私保护。

尽管上述方法在一定程度上缓解了领域适应中的分布偏移问题，但它们仍然面临类别不平衡带来的挑战。类别不平衡通常由故障类型稀缺和数据采集成本高引起，导致某些故障类别在训练集中代表性不足。这种不平衡会削弱模型在所有领域中对少数故障类别的识别能力，进而影响整体诊断性能。为了解决这一问题，研究者们尝试将类别平衡技术，如生成学习、元学习和代价敏感学习，与领域适应方法相结合。例如，Lu等人提出了一种两阶段方法，第一阶段利用一维生成对抗网络（GAN）基于循环一致性生成故障数据，第二阶段引入并行逆向注意力模块以平衡特征优化。Lee等人在领域适应过程中引入了标签对齐的采样策略，以确保各类别样本分布的一致性，从而缓解类别不平衡的影响。Zhou等人则开发了一种具有代价敏感分类器的深度子领域自适应网络，以提升跨领域故障诊断中类别不平衡的处理能力。

然而，现有的方法大多基于单一数据源的领域适应，这种依赖单一源域的方式限制了模型在面对源域与目标域之间显著分布偏移时的泛化能力。相比之下，多源领域适应（Multi-source Domain Adaptation）通过在样本、特征或决策层面上的信息融合，利用来自多个源域的数据来增强诊断模型的鲁棒性和泛化能力。例如，Wang等人提出了一种动态协同对抗领域适应网络，用于无监督故障诊断，其中多个领域判别器被动态加权，以促进在变工况下的协同特征对齐，从而提升跨领域的迁移性能。此外，近年来的研究还尝试将类别感知策略引入多源领域适应框架，以增强故障诊断模型在复杂工业场景中的适用性。Wang等人提出了一种多源领域适应框架，该框架通过引入类别再平衡的Wasserstein距离来衡量分布差异，并实现跨领域的对齐。这种方法通过重新加权样本，整合多源数据的信息，从而提升模型性能。Wang等人还设计了一种适用于不完整源数据的轴承故障诊断方法，利用Cycle-GAN补充缺失的类别数据，引入锚点适配器以减少分布差距，并采用多分类器集成来提高诊断准确性，从而解决数据不完整、领域不匹配和类别不平衡等问题。Zhang等人提出了一种跨监督的多源原型网络，用于小样本故障诊断，该网络通过共享和独立的分支对源域和目标域进行对齐，并结合原型对比学习模块和伪标签选择策略，以提升特征表示能力，同时通过跨监督学习增强目标域上的诊断性能。

尽管已有方法在应对多源领域适应和类别不平衡方面取得了一定进展，但它们往往依赖于粗略的对齐策略和简单的加权机制，这限制了模型对多源数据中类别平衡的领域不变特征的深度挖掘能力。此外，跨领域决策过程中信息融合的协调性不足，容易导致负迁移和信息丢失。为了解决这些问题，本文提出了一种联合协同适应网络（Joint Collaborative Adaptation Network, JCAN），该网络基于对抗性多源领域适应框架，整合了类别感知学习和渐进式对齐策略，以有效提取类别平衡的领域不变特征。在决策阶段，JCAN引入了一种基于软排除机制的动态信息过滤策略，以自适应地抑制可能对诊断产生负面影响的源域信息，从而增强协同决策的稳定性和准确性。

JCAN的核心思想在于通过多源数据的协同作用，提升模型在复杂工业环境下的适应能力和诊断精度。在方法实现上，JCAN首先构建了一个对抗性迁移学习框架，该框架由复杂的特征提取器和领域能量判别器组成，并通过类别感知技术进行增强。特征提取器负责从多源数据中提取丰富的特征信息，而领域能量判别器则用于建模不同领域之间的分布差异，从而实现特征对齐。类别感知技术的引入使得模型能够更关注少数类别故障的特征提取，提升对这些类别故障的识别能力。在领域对齐方面，JCAN采用了一种协同对齐策略，该策略通过动态调整全局与局部的对齐焦点，逐步优化模型的适应过程，以消除分布差异并促进领域不变特征的提取。此外，JCAN还设计了一种基于软选择的决策融合机制，该机制能够自适应地过滤贡献较小的源域信息，从而减少负迁移并保留有价值的诊断信息。

为了验证JCAN的有效性，本文在Paderborn University（PU）轴承数据集和Mechanical Comprehensive Diagnosis Simulation Platform（MCDSP）轴承数据集上进行了广泛的实验评估。PU数据集是一个在滚动轴承故障诊断领域广泛应用的公开数据集，包含了多种故障类型和不同的运行条件，因此被选为验证JCAN性能的首选数据集。MCDSP数据集则提供了更加复杂的模拟环境，以测试模型在不同工况下的适应能力。实验结果表明，JCAN在处理类别不平衡和变工况条件下的滚动轴承故障诊断任务中表现出色，其性能优于现有的先进方法。此外，JCAN在保持模型稳定性的同时，显著提升了对少数类别故障的识别能力，从而增强了整体诊断的准确性和可靠性。

本文的主要贡献包括以下几个方面：首先，JCAN构建了一个基于对抗性迁移学习的框架，结合了复杂的特征提取器和领域能量判别器，并通过类别感知技术进一步提升了模型的稳定性和准确性。其次，JCAN采用了一种协同领域对齐策略，该策略能够动态调整对齐的焦点，从全局逐步转向局部，从而逐步优化模型的适应过程，消除分布差异并促进领域不变特征的提取。第三，JCAN设计了一种基于软选择的决策融合机制，该机制能够自适应地过滤贡献较小的源域信息，从而减少负迁移并保留有价值的诊断信息。通过这些策略，JCAN不仅在应对多源数据的协同作用方面表现出色，还有效提升了模型在复杂工业场景中的适应能力和诊断精度。

为了进一步提升JCAN的性能，本文还探讨了其在不同工况下的适用性。由于滚动轴承在实际运行中可能面临多种工况变化，例如负载、转速和温度的波动，这些变化会导致特征分布的显著偏移，从而影响模型的泛化能力。JCAN通过引入多源数据的协同作用，能够在不同工况下实现更稳定的特征表示，从而提升模型的适应性。此外，JCAN在处理类别不平衡问题时，不仅关注多数类别的特征提取，还通过类别感知技术增强了对少数类别故障的识别能力。这种平衡的处理方式使得JCAN在面对数据稀缺的故障类别时，仍然能够保持较高的诊断精度。

本文的研究还涉及对现有方法的比较分析。通过对PU和MCDSP数据集的实验验证，JCAN在多个指标上均优于现有的先进方法，包括准确率、召回率和F1分数。此外，JCAN在保持模型泛化能力的同时，有效减少了对大量标注数据的依赖，从而提升了模型在实际工业应用中的可行性。在决策融合机制方面，JCAN的软选择策略相较于传统的硬选择策略，能够更灵活地处理多源数据之间的差异，从而减少信息丢失并提升诊断的稳定性。在领域对齐方面，JCAN的渐进式对齐策略能够逐步优化模型的适应过程，从而在不同领域之间实现更精确的特征对齐。

综上所述，JCAN通过结合对抗性迁移学习、类别感知学习和多源领域融合技术，有效应对了滚动轴承故障诊断中的关键挑战。其核心思想在于通过多源数据的协同作用，提升模型在复杂工业环境下的适应能力和诊断精度。在方法实现上，JCAN不仅构建了一个稳定的对抗性迁移学习框架，还通过动态调整对齐策略和决策融合机制，增强了模型对类别不平衡和变工况条件的适应能力。实验结果表明，JCAN在处理滚动轴承故障诊断任务时，能够有效缓解类别不平衡和分布偏移问题，从而提升诊断的准确性和可靠性。此外，JCAN在保持模型泛化能力的同时，减少了对大量标注数据的依赖，使得其在实际工业应用中更具可行性。本文的研究为滚动轴承故障诊断领域提供了一种新的解决方案，具有重要的理论和应用价值。