编辑推荐：
在滚动轴承故障诊断领域，数据驱动方法虽有优势，但面临域转移和无标签数据难题。研究人员开展单源多目标域自适应（uDA）轴承故障诊断研究，提出 MTDA-IRP 方法。该方法在两个数据集上平均准确率达 99.89% 和 95.93%，为工业应用提供新方案。
在工业生产中，滚动轴承就像旋转机械的 “心脏”，其健康状况直接关乎整个系统的稳定运行。随着科技发展，数据驱动的轴承故障诊断方法凭借高诊断效率和准确性崭露头角。但在实际应用里，这些方法却遭遇了 “滑铁卢”。传统的深度学习故障诊断模型通常假定训练和测试数据在相同工况下收集，可现实中轴承的工作条件复杂多变，振动数据的分布也随之改变，这就导致了 “域转移” 问题，模型一旦应用到与训练环境不同的场景中，诊断准确率就会大幅下降。而且，实际收集的数据大多没有标注，深度学习方法难以充分利用这些无标签数据。为了解决这些棘手的问题，来自国内的研究人员开展了一项关于单源多目标域自适应（uDA）轴承故障诊断的研究，相关成果发表在《Engineering Applications of Artificial Intelligence》上。
研究人员提出了一种名为基于 IRP 的多目标域自适应（MTDA-IRP）的故障诊断方法。在这项研究中，主要用到了以下关键技术方法：一是采用时间序列数据成像方法 —— 跨时重现图（Intertemporal Return Plots，IRP）对振动信号进行预处理，将其转化为图像数据，这种方法不受采样频率和样本长度的限制；二是引入互信息作为新的度量指标，建立了新的损失函数，用于描述特征和标签之间的相关性；三是运用梯度反转层（Gradient Reversal Layer，GRL），使得在训练过程中能够同时优化所有神经网络，确保提取的特征既具有域不变性，又与故障标签相关。
下面来看看具体的研究结果：
- 模型结构设计：MTDA-IRP 的整体网络结构包含三个主要部分，分别是编码器Es、域分类器D和故障分类器C。编码器Es负责从输入数据中提取共享特征，为后续的域分类和故障分类任务打基础；域分类器D用于判断数据来自哪个域；故障分类器C则对故障类型进行识别。通过这种设计，模型可以同时处理多个无标签目标域的数据。
- 实验评估：研究人员选用了两个包含多种工作条件且有完整故障标签的公共基准轴承数据集进行实验。结果显示，在多目标域故障诊断任务中，MTDA-IRP 方法在这两个数据集上分别取得了 99.89% 和 95.93% 的平均准确率。与现有的代表性方法相比，该方法优势明显。
研究结论表明，MTDA-IRP 方法实现了在对抗学习中通过梯度反转机制对域分类器和故障分类器的同时优化。将轴承振动信号处理成 IRP 数据后，把有标签的源域数据和无标签的多目标域数据一同输入模型训练。该方法不仅能够提取出具有域不变性和故障标签相关性的特征，还在多个无标签工作条件下显著提升了轴承故障诊断的性能。这一研究成果意义重大，为工业领域中滚动轴承在复杂工况下的故障诊断提供了更有效的解决方案，有助于实现设备的实时监测和基于状态的维护，从而降低维护成本，保障生产系统的稳定运行，推动了滚动轴承故障诊断技术的发展，为相关领域的进一步研究提供了重要的参考和借鉴。
