一种基于因果表示学习和因果特征识别的旋转机械故障诊断的新型领域泛化框架

《Engineering Applications of Artificial Intelligence》：A novel domain generalization framework for fault diagnosis of rotating machinery based on causal representation learning and causal feature identification

针对旋转机械故障诊断中传统智能诊断模型受复杂工况影响导致性能下降的问题，本研究提出基于结构因果模型（SCM）的三阶段领域泛化框架（CRCI）。通过因果表示学习构建预训练模型，结合因果特征验证算法筛选纯故障因果特征，有效提升模型在跨域场景下的诊断精度，并在五个实际数据集上验证其有效性。

　　旋转机械在工程应用中常常处于复杂的运行环境中，这种环境变化会导致监测数据的分布偏移，从而影响传统智能诊断模型的性能。为了应对这一挑战，近年来，领域泛化（Domain Generalization, DG）技术成为智能诊断方法在实际工程中部署的关键手段。DG的核心目标是提取与领域无关的特征，使得模型能够泛化应用于未知领域。然而，当前大多数DG方法依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了进一步提升诊断模型的泛化能力，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。在旋转机械故障诊断领域，因果关系的应用逐渐受到重视。例如，Jia等人（2023）提出了一种深度因果网络（Deep Causal Network, DCFN），通过构建结构因果模型（Structure Causal Model, SCM）来实现跨设备的轴承故障诊断。然而，现有研究主要集中在如何利用因果模型优化损失函数的构造，却忽略了对所学习特征进行更深入的因果性测试。这种做法导致特征的因果性在模型训练后仍然未知，从而限制了诊断性能的进一步提升。

此外，由于实际工程中采集的设备数据往往较为稀疏和不完整，这种数据特征会导致模型训练过程中出现更严重的领域偏移。这种偏移不仅影响模型的泛化能力，还使得模型在实际部署时缺乏有效的指导，导致超参数的盲目调整，进而影响模型的稳定性，限制了智能诊断系统的实际应用。

为了解决上述问题，本研究提出了一种基于因果表示学习的特征因果性测试方法。通过结合主动学习与客观测试，确保提取出的特征具有更高的诊断价值，并构建了一个通用的领域泛化框架。该框架不仅提升了模型在不同运行条件下的泛化能力，还为实际工程中的部署提供了理论支持。本研究的主要贡献包括以下几个方面：

首先，我们提出了一种适用于旋转机械故障诊断的新型结构因果模型（SCM）。该模型在构建过程中引入了特征变量，并对特征进行分类，为后续的因果特征提取提供了理论基础。传统的SCM主要关注变量之间的因果关系，而我们提出的模型进一步考虑了特征的生成过程，使得因果关系的建模更加准确和全面。

其次，我们提出了一种因果性测试算法，用于识别因果特征。通过SCM，我们可以推导出特征、运行条件与故障之间的条件独立关系，从而判断所学习的特征是否为真正的故障因果特征。这一过程不仅提高了特征的诊断价值，还增强了模型在未知领域中的泛化能力。

第三，我们构建了一个名为CRCI（Causal Representation learning and Causal feature Identification）的三阶段领域泛化框架。该框架首先通过因果表示学习提取潜在的故障因果特征，然后利用因果特征识别算法对这些特征进行筛选，最终获取纯故障因果特征，并重新训练分类器以获得最终的诊断模型。这种三阶段的方法不仅提高了模型的泛化能力，还为实际工程中的部署提供了更清晰的路径。

第四，我们通过在五个故障诊断数据集（包括轴承和齿轮案例）上的对比实验，验证了所提出方法的有效性。实验结果表明，CRCI在多个领域泛化任务中表现优异，其泛化能力显著优于现有方法。此外，我们还进行了特征可视化、消融实验和超参数敏感性分析，进一步验证了该方法的鲁棒性和适用性。

在本研究中，我们构建了一个完整的SCM，用于描述旋转机械振动信号的生成过程和特征提取机制。SCM不仅能够系统地表达因果推理和学习的抽象概念，还为因果特征的提取和因果性测试提供了理论支持。通过SCM，我们可以识别特征、运行条件和故障之间的因果关系，从而确保所提取的特征具有更高的诊断价值。

为了实现这一目标，我们首先对振动信号的生成过程进行了因果分析。振动信号是旋转机械运行状态的重要反映，其生成受到多种因素的影响，包括机械结构、运行条件、负载变化以及故障状态。通过因果分析，我们能够明确这些因素之间的相互作用，从而识别出哪些特征与故障直接相关，哪些特征则受到其他因素的干扰。这种因果分析不仅提高了特征的诊断价值，还为后续的因果表示学习提供了理论依据。

在因果表示学习阶段，我们设计了一个预训练模型，用于生成潜在的故障因果特征。该模型基于SCM，通过因果推理的方式，将特征与运行条件和故障之间的因果关系进行建模。通过这种方式，我们能够确保模型在不同领域中的泛化能力，而不仅仅依赖于数据的相关性。这种因果表示学习方法能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在因果特征识别阶段，我们提出了一种因果性测试算法，用于筛选出纯故障因果特征。该算法基于SCM，通过分析特征、运行条件和故障之间的条件独立关系，判断哪些特征真正与故障相关，哪些则受到其他因素的干扰。通过这种方式，我们能够确保所提取的特征具有更高的诊断价值，从而提高模型在未知领域中的泛化能力。

最后，在模型训练阶段，我们利用筛选出的纯故障因果特征，重新训练分类器以获得最终的诊断模型。这一过程不仅提高了模型的泛化能力，还为实际工程中的部署提供了更清晰的指导。通过这种方式，我们能够确保模型在实际运行中具有更高的稳定性和准确性，从而提高故障诊断的可靠性。

为了验证所提出方法的有效性，我们在五个数据集上进行了对比实验，包括轴承和齿轮的故障诊断数据集。实验结果表明，CRCI在多个领域泛化任务中表现优异，其泛化能力显著优于现有方法。此外，我们还进行了特征可视化，以直观展示所提取的特征与故障之间的关系。通过这种方式，我们能够更清晰地理解特征的诊断价值，并为后续的模型优化提供指导。

在消融实验中，我们进一步验证了各个模块对模型性能的影响。实验结果表明，因果表示学习和因果特征识别是提高模型泛化能力的关键因素。通过这种方式，我们能够确保模型在不同运行条件下的稳定性，从而提高故障诊断的可靠性。

在超参数敏感性分析中，我们研究了不同超参数对模型性能的影响。实验结果表明，所提出的CRCI框架对超参数的调整具有较强的鲁棒性，能够在不同参数设置下保持较高的诊断准确性。这种鲁棒性不仅提高了模型的泛化能力，还为实际工程中的部署提供了更可靠的保障。

综上所述，本研究提出了一种基于因果表示学习和因果特征识别的领域泛化框架CRCI，该框架能够有效提升旋转机械故障诊断模型的泛化能力，使其在不同运行条件下保持较高的诊断准确性。通过结合主动学习和客观测试，我们确保了所提取的特征具有更高的诊断价值，从而提高了模型的可靠性。实验结果表明，CRCI在多个领域泛化任务中表现优异，其泛化能力显著优于现有方法，为实际工程中的部署提供了有力支持。

此外，本研究还对结构因果模型（SCM）进行了深入探讨，提出了适用于旋转机械故障诊断的新型SCM。该模型在构建过程中引入了特征变量，并对特征进行分类，为后续的因果特征提取提供了理论依据。通过这种方式，我们能够更准确地建模特征、运行条件和故障之间的因果关系，从而提高模型的泛化能力。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了进一步提升诊断模型的泛化能力，本研究提出了一种基于因果表示学习的特征因果性测试方法。通过结合主动学习和客观测试，我们确保了所提取的特征具有更高的诊断价值，并构建了一个通用的领域泛化框架。该框架不仅提高了模型在不同运行条件下的泛化能力，还为实际工程中的部署提供了理论支持。实验结果表明，CRCI在多个领域泛化任务中表现优异，其泛化能力显著优于现有方法。

此外，本研究还对结构因果模型（SCM）进行了深入探讨，提出了适用于旋转机械故障诊断的新型SCM。该模型在构建过程中引入了特征变量，并对特征进行分类，为后续的因果特征提取提供了理论依据。通过这种方式，我们能够更准确地建模特征、运行条件和故障之间的因果关系，从而提高模型的泛化能力。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相關性映射，這種方法在運行條件穩定時表現良好，但在條件變化時容易受到虛假相關性的干擾，從而增加診斷模型誤判的風險。

為了解決這一問題，本研究在因果表示學習的基礎上，對所學習的特徵進行了因果性測試，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相關性映射，這種方法在運行條件穩定時表現良好，但在條件變化時容易受到虛假相關性的干擾，從而增加診斷模型誤判的風險。

為了解決這一問題，本研究在因果表示學習的基礎上，對所學習的特徵進行了因果性測試，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相關性映射，這種方法在運行條件穩定時表現良好，但在條件變化時容易受到虛假相關性的干擾，從而增加診斷模型誤判的風險。

為了解決這一問題，本研究在因果表示學習的基礎上，對所學習的特徵進行了因果性測試，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相關性映射，這種方法在運行條件穩定時表現良好，但在條件變化時容易受到虛假相關性的干擾，從而增加診斷模型誤判的風險。

為了解決這一問題，本研究在因果表示學習的基礎上，對所學習的特徵進行了因果性測試，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相關性映射，這種方法在運行條件穩定時表現良好，但在條件變化時容易受到虛假相關性的干擾，從而增加診斷模型誤判的風險。

為了解決這一問題，本研究在因果表示學習的基礎上，對所學習的特徵進行了因果性測試，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相關性映射，這種方法在運行條件穩定時表現良好，但在條件變化時容易受到虛假相關性的干擾，從而增加診斷模型誤判的風險。

為了解決這一問題，本研究在因果表示學習的基礎上，對所學習的特徵進行了因果性測試，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相關性映射，這種方法在運行條件穩定時表現良好，但在條件變化時容易受到虛假相關性的干擾，從而增加診斷模型誤判的風險。

為了解決這一問題，本研究在因果表示學習的基礎上，對所學習的特徵進行了因果性測試，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相關性映射，這種方法在運行條件穩定時表現良好，但在條件變化時容易受到虛假相關性的干擾，從而增加診斷模型誤判的風險。

為了解決這一問題，本研究在因果表示學習的基礎 上，對所學習的特徵進行了因果性測試，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相關性映射，這種方法在運行條件穩定時表現良好，但在條件變化時容易受到虛假相關性的干擾，從而增加診斷模型誤判的風險。

為了解決這一問題，本研究在因果表示學習的基礎上，對所學習的特徵進行了因果性測試，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相關性映射，這種方法在運行條件穩定時表現良好，但在條件變化時容易受到虛假相關性的干擾，從而增加診斷模型誤判的風險。

為了解決這一問題，本研究在因果表示學習的基礎上，對所學習的特徵進行了因果性測試，提出了一種新的領域泛化框架。該框架不僅考慮了特徵的因果關係，還通過主動學習與客觀測試的結合，確保提取出的特徵具有更高的診斷價值。通過這種方式，我們能夠有效避免虛假相關性對模型性能的影響，從而提高診斷的準確性。

在實際工程中，旋轉機械的運行條件往往複雜多變，這導致了監測數據的分布偏移，從而影響了傳統智能診斷模型的性能。為了應對這一挑戰，領域泛化技術成為智能診斷方法在實際工程中部署的關鍵手段。然而，現有的DG方法主要依賴於特徵與標籤之間的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型误判的风险。

为了解决这一问题，本研究在因果表示学习的基础上，对所学习的特征进行了因果性测试，提出了一种新的领域泛化框架。该框架不仅考虑了特征的因果关系，还通过主动学习与客观测试的结合，确保提取出的特征具有更高的诊断价值。通过这种方式，我们能够有效避免虚假相关性对模型性能的影响，从而提高诊断的准确性。

在实际工程中，旋转机械的运行条件往往复杂多变，这导致了监测数据的分布偏移，从而影响了传统智能诊断模型的性能。为了应对这一挑战，领域泛化技术成为智能诊断方法在实际工程中部署的关键手段。然而，现有的DG方法主要依赖于特征与标签之间的相关性映射，这种方法在运行条件稳定时表现良好，但在条件变化时容易受到虚假相关性的干扰，从而增加诊断模型