一种基于渐进式域分离网络的船舶推进轴系故障诊断方法，该方法结合了鸢尾花时间-频率图技术，用于开放集数据下的故障识别

《Ocean Engineering》：A progressive domain separation network incorporating iris time-frequency maps for open-set diagnosis of ship propulsion shafting

推进轴系智能诊断中存在未知故障类别识别困难的问题。本文提出基于双分类器一致性和开放集熵损失优化的渐进域分离网络，通过将振动信号转换为具有时空关联的 iris 时间频域图，增强特征表示能力。实验表明，该方法在10种开放集诊断任务中平均开放集诊断精度达91.60%，较现有方法提升4.5%-13.14%，有效解决了异构数据域对齐和未知类别分离难题。

　　 propulsion shafting 是船舶动力系统中的关键子系统，其故障可能严重威胁航行安全。目前，迁移学习技术在船舶智能诊断中取得了显著进展。大多数现有方法在封闭集假设下进行，即不同领域具有相同的标签空间。然而，在实际场景中，未知的故障类型对这些方法的可靠性提出了挑战。为了解决这一问题，本文提出了一种渐进域分离网络。该网络以虹膜图作为输入，挖掘更丰富、更稳健的语义信息。通过双分类器的一致性评估指标筛选出未知样本，然后建立开放集损失，使决策边界远离这些样本的密集区域。最后，设计了两阶段共享样本匹配策略。该策略结合知识蒸馏理论，通过熵加权软伪标签增强共享类别之间的可区分性，从而实现精确的对齐。案例研究结果表明，所提出的网络具有优越的诊断性能，并优于其他诊断方法。此外，从后验可解释性角度揭示了决策结果的内在机制。本研究为推进 shafting 的智能运维提供了一种可扩展的解决方案。

本文研究背景表明，海洋工业作为全球贸易的重要支柱，正逐步与人工智能技术深度融合。智能船舶成为航运未来的组成部分。智能诊断技术在智能船舶生态系统中扮演着不可或缺的角色。船舶的众多子系统中，推进 shafting 是一个关键组件，负责将发动机的动力传递到螺旋桨。其安全稳定的运行直接影响船舶的整体性能。推进 shafting 的配置如图 1 所示。这种复杂且精确的结构使推进 shafting 易受各种风险和挑战的影响。因此，利用智能技术进行推进 shafting 的故障诊断是确保船舶整体运行安全的关键。

美国船舶局报告称，基于人工智能的诊断技术在提高船舶可靠性方面发挥了重要作用。深度迁移学习技术在海洋机械故障诊断中取得了显著进展。迁移学习的基本思想是利用不同领域之间的相似性和多样性，使模型能够学习可迁移的特征。边缘分布对齐方法在现有研究中受到了广泛关注，例如最大均值差异（MMD）方法和域对抗训练方法。尽管这些方法已被证明能够提高网络的泛化性能，但有学者认为仅进行全局域对齐可能存在不足。具体来说，这种单一匹配方法没有充分利用类别级别的特征信息。近年来，许多研究人员对子域对齐进行了广泛研究。一些学者结合对抗学习与伪标签策略以实现类别级别的匹配。

值得注意的是，上述跨域诊断方法基于一个内在假设，即源域和目标域具有一致的标签集。简而言之，这是一个封闭集诊断场景。在实际工程中，推进 shafting 可能出现新的故障类型，这削弱了这些方法的可靠性。这是因为它们无法捕捉未知样本的特征表示，从而将未知样本误分类为已知类别。如图 2(a) 所示。

幸运的是，分布外检测方法已被成功探索。一个典型的策略是通过筛选未知故障样本实现已知类别的匹配。例如，一些学者提出了基于熵的加权策略来衡量样本之间的相似性，并利用对抗学习方法提取域不变信息。在开放集诊断场景中，这一策略尤为重要。本文提出的方法通过双分类器的一致性评估指标，不仅能够有效识别未知样本，还能通过开放集损失保持决策边界远离这些样本的密集区域，从而增强网络的稳健性和泛化能力。

在开放集诊断场景中，网络通过共享类别的子域对齐策略实现更准确的匹配。首先，通过双分类器的一致性评估，筛选出未知样本。然后，利用开放集损失，使决策边界远离这些样本。此外，结合知识蒸馏理论，通过熵加权软伪标签实现共享类别的更可靠匹配。这种策略不仅提高了网络对共享类别之间语义关联的学习能力，还增强了对未知类别的识别能力。

本文还设计了两阶段共享样本匹配策略。在第一阶段，通过双分类器的一致性评估指标筛选出未知样本，并建立开放集损失，以确保决策边界远离这些样本。在第二阶段，通过熵加权软伪标签实现共享类别的匹配。这种方法不仅提高了共享类别之间的可区分性，还增强了网络对共享类别之间的语义关联学习能力。通过这种方式，网络能够更精确地对齐样本，并实现更可靠的分类。

通过上述方法，网络能够有效识别未知样本，并将其从分类边界中分离出来。此外，通过开放集损失，确保共享类别的匹配过程不受未知样本的影响。这种方法在开放集场景中具有显著优势，能够有效防止网络对未知样本的误判。通过这些策略，网络不仅提高了分类的准确性，还增强了对共享类别的区分能力。

本文提出的方法还结合了知识蒸馏策略，通过熵加权软伪标签实现共享类别的匹配。这些软伪标签不仅增强了网络对共享类别之间语义关联的学习能力，还提高了对未知类别的识别能力。通过这种方式，网络能够更精确地对齐样本，并实现更可靠的分类。此外，通过开放集损失，确保决策边界远离这些样本，从而提高网络的稳健性。

在实验部分，本文评估了所提出框架在不同开放程度下的泛化能力。通过对比不同方法的诊断结果，本文验证了所提出框架的优越性。通过实验分析，本文还发现所提出框架在不同参数设置下表现出较高的诊断准确性。通过参数敏感性分析，本文验证了所提出框架在不同参数设置下的表现。

本文还通过消融实验分析了各个阶段对网络性能的贡献。实验结果表明，所提出框架的各个阶段对网络性能的提升具有重要作用。通过消融实验，本文验证了各个阶段对网络性能的贡献。实验结果表明，所提出框架的各个阶段对网络性能的提升具有重要作用。通过消融实验，本文验证了各个阶段对网络性能的贡献。实验结果表明，所提出框架的各个阶段对网络性能的提升具有重要作用。

通过上述分析，本文提出的渐进域分离网络在开放集诊断中表现出优越的性能。该网络不仅能够有效识别未知样本，还能通过开放集损失确保决策边界远离这些样本。此外，通过熵加权软伪标签实现共享类别的匹配，从而增强网络的稳健性和泛化能力。这些策略不仅提高了网络对未知样本的识别能力，还增强了对共享类别的匹配能力。通过这种方式，网络能够更精确地对齐样本，并实现更可靠的分类。

本文还通过参数敏感性分析验证了各个参数对网络性能的影响。通过参数敏感性实验，本文验证了各个参数对网络性能的影响。实验结果表明，当阈值设置为 0.5 时，网络的诊断性能最佳。此外，通过不同输入方法的对比，本文验证了虹膜图在提高网络诊断性能方面的优势。通过实验分析，本文发现虹膜图能够更全面地呈现信号的非平稳特征，并更直观地描绘时间频率演化轨迹。这有助于网络更好地提取和理解语义信息。

通过后验可解释性分析，本文揭示了网络决策的内在机制。通过梯度加权类激活映射（Grad-CAM）方法，本文能够更清晰地揭示网络的学习行为。Grad-CAM 是一种依赖梯度的深度网络可视化策略，通过捕捉最后一层卷积层的梯度信息来估计通道权重，并将这些权重与特征图结合，得到热图。热图中的每个像素直接反映了其在网络决策过程中的相对重要性。通过这种方式，网络能够更直观地理解其决策过程，并增强其诊断能力。

本文提出的框架不仅提高了网络的诊断性能，还增强了其可解释性。通过后验可解释性分析，本文揭示了网络决策的内在机制。通过Grad-CAM方法，本文能够更清晰地揭示网络的学习行为。网络在正常状态时主要关注低频区域。随着对齐状态的恶化，网络的注意力区域逐渐向高频区域扩展。通过这种方式，网络能够更全面地识别信号的非平稳特征，并增强其对共享类别的匹配能力。

本文提出的框架在实际应用中具有良好的潜力，但仍有一些改进空间。目前，该框架将所有类型的未知故障视为单一的、未区分的类别，而没有在语义级别上进行区分。这阻碍了网络对目标数据的内在结构特征的全面捕捉。同时，必须认识到，在实际工程中，诊断场景具有不确定性，这强调了通用域适应方法的重要价值。在未来的研究中，将开发一种诊断框架，以高效应对各种诊断场景，并准确识别每种未知故障类型。