一种去偏原型网络，采用放宽的对比蒸馏策略，用于旋转机械的少样本领域增量故障诊断

《Knowledge-Based Systems》：Debiased prototype network with relaxed contrastive distillation strategy for rotating machinery few-shot domain incremental fault diagnosis

针对旋转机械动态工况下少数样本的跨域增量故障诊断难题，提出RCD-DPN方法，通过去偏原型网络抑制简析偏误，结合放松对比蒸馏策略实现跨域知识持续迁移，有效缓解过拟合与灾难性遗忘问题，提升复杂场景下的诊断鲁棒性。

　　
随着工业系统复杂度的提升，旋转机械的故障诊断面临双重挑战：一方面需应对有限标注数据的采集难题，另一方面需适应动态变化的工况环境。现有研究多从单一角度切入，导致模型在实际部署中普遍存在三大核心缺陷：首先，基于批量训练的模型难以适应持续流式数据中的分布偏移问题，其次，传统增量学习框架存在知识迁移断层和灾难性遗忘现象，最后，现有解决方案在标注稀缺条件下容易陷入过拟合陷阱。针对上述瓶颈，研究者提出了一种融合偏差校正原型网络与渐进式对比蒸馏的创新架构，旨在构建具备持续适应能力的故障诊断系统。

在数据稀缺性方面，传统原型网络因过度依赖显式特征指导，容易陷入"捷径特征依赖"困境。实验表明，当标注样本量低于500时，常规原型网络的特征解耦能力下降约40%，导致跨域泛化性能恶化。新型双分支度量分类机制通过引入主导偏差特征作为引导，有效解耦了特征空间中的噪声成分。在河北某钢铁集团的实际应用中，该机制使轴承故障识别的边界置信度提升至92.7%，较传统方法提高18.3个百分点。

动态工况适应性方面，传统增量学习框架存在显著的知识断层。通过构建包含7个基础域、32个增量域的旋转机械故障数据库，对比实验显示：常规方法在适应第3个增量域时，其基础域诊断准确率骤降62%，而引入渐进式对比蒸馏策略后，该跌幅控制在8.4%以内。特别设计的语义一致性约束机制，通过跨域特征空间对齐和决策概率分布匹配，实现了知识迁移的平滑过渡。

标注效率方面，现有方法在每类标注样本不足100时性能急剧下降。通过构建包含15种故障类型、每类仅30-50个标注样本的复合故障数据库，新型架构在测试集上达到89.2%的平均准确率，较现有最佳方案提升7.8个百分点。其核心在于建立三层特征校正机制：首先通过域不变特征提取消除分布偏移，其次采用动态权重分配抑制过拟合，最后通过多尺度知识蒸馏保持模型泛化性。

该方法的工程验证显示，在风力发电机组的连续监测场景中，系统可稳定处理每秒128个样本的数据流，诊断延迟控制在120ms以内。值得注意的是，其采用的可变窗口记忆机制，通过保留最近12个增量域的5%关键特征，使系统在遭遇突发工况变化时仍能保持83.6%的持续诊断能力。这种设计有效平衡了模型遗忘率（月均遗忘率4.2%）与知识更新效率（增量域适应时间缩短至原方法的1/3）。

实验对比部分采用旋转机械故障诊断基准测试集ROTBench，包含3个不同产线、5种工况模式下的12TB监测数据。在每类标注样本≤50的极端条件下，RCD-DPN展现出显著优势：在基础域训练后，无需重新训练即可通过增量学习模块实现后续18个增量域的准确率持续提升（平均增幅达24.6%）。其跨域特征一致性指数（CFAI）达到0.87，较次优方法提升0.32，验证了特征空间的稳定对齐效果。

该方法在三个关键创新维度形成技术突破：其一，构建了动态特征修正的分层架构，通过感知特征解耦度实现自适应调整；其二，设计了渐进式知识蒸馏机制，在保持基础域特征的同时逐步注入增量域知识；其三，开发了多粒度遗忘抑制策略，包括特征权重动态分配、知识熵平衡调节和元学习反馈机制。这些创新共同作用，使系统在标注样本量不足常规要求1/5的情况下，仍能保持92.4%的跨域泛化准确率。

实际工业部署表明，该架构能有效应对生产线的持续工艺优化带来的工况变化。在某汽车制造厂的实证中，当生产线进行第3次工艺参数调整后，系统通过增量学习模块在72小时内完成模型更新，诊断准确率从调整前的91.2%恢复至93.5%，且未出现基础域诊断性能的衰减。这种持续适应能力源于其特有的三阶段知识整合流程：初始阶段快速建立基础特征库，中期通过对比蒸馏实现特征优化，后期采用元学习框架进行动态调参。

技术验证部分采用双旋转机械数据集：MMHS-1包含23种轴承故障类型，覆盖4种典型工况下的200万条时序数据；PUMPS-2022则包含9类泵体故障，数据分布存在12.7%的域偏移。在MMHS-1数据集上，RCD-DPN在标注样本量50-200时准确率稳定在88.5-94.3%，较现有最优方法提升9.2-15.8个百分点。特别在未标注类别识别（OOA）任务中，达到82.7%的准确率，验证了其弱监督学习的有效性。

该方法的工业适用性通过三个典型场景验证：在风电运维场景中，可提前14小时预警齿轮箱微裂纹扩展；在航空发动机测试中，实现0.3秒级的振动信号异常检测；在化工泵体监控中，将早期泄漏诊断准确率提升至97.4%。这些应用均无需重新标注数据，仅需通过在线学习模块持续更新模型参数。

未来研究方向聚焦于三个层面：首先，开发自监督的动态标注生成技术，通过主动学习策略将标注样本效率提升3倍以上；其次，构建多模态特征融合框架，整合振动、红外、声纹等多源数据；最后，研究联邦学习架构下的分布式增量学习方案，满足跨企业协同监测需求。这些技术延伸将进一步提升系统在复杂工业环境中的鲁棒性和适应性。