基于动态子域自适应与上下文信息补偿网络的轴承剩余使用寿命精准预测

研究人员针对轴承剩余使用寿命(RUL)预测中存在的子域边界固定、对称性假设限制及时间加权机制缺失等问题，提出了一种创新性的SDA-CIC网络模型。该模型通过动态子域划分(DTW算法)、自适应匹配和时间加权MMD模块，实现了跨工况下的精准RUL预测。实验表明，SDA-CIC在PRONOSTIA和XJTU-SY数据集上的RMSE、MAE和Score指标均优于现有先进模型，为工业设备智能运维提供了新范式。

　　

在工业设备健康管理领域，轴承作为旋转机械的核心部件，其剩余使用寿命(RUL)预测直接关系到设备安全与维护成本。然而，传统预测方法面临三大瓶颈：一是不同工况下数据分布差异导致的域偏移问题，二是退化过程多阶段特性引发的子域特征不匹配，三是关键退化阶段的时间权重分配不足。这些问题严重制约了预测模型在跨工况场景下的泛化能力，亟需开发能够动态适应复杂工况的智能预测算法。

为突破这些技术壁垒，一支跨国研究团队在《Knowledge-Based Systems》发表了创新性研究成果。他们构建了SDA-CIC（Subdomain Adaptation and Contextual Information Compensation）网络，通过三阶段技术路线实现突破：首先采用动态下采样器随机分割源域数据生成动态子域；其次基于DTW算法实现源域与目标域子域的自适应匹配；最后通过时间加权MMD模块和上下文信息补偿网络优化特征对齐。研究团队在PRONOSTIA和XJTU-SY两个标准轴承数据集上验证了模型性能。

3.1 问题描述
研究团队将RUL预测抽象为从特征空间X到标签空间Y的映射学习问题，创新性地提出"切片-编码"与"编码-切片"双路径架构。与传统全局域适应(DA)不同，该方法在希尔伯特空间H中实现子域级特征对齐，解决了长序列数据中局部退化模式捕获的难题。

3.2 主干网络设计
网络架构包含编码器与预测器两大核心模块。编码器采用10层残差扩张卷积(RDC)块，每层以2^i-1的扩张率递增，构建了覆盖2560个时间步的超大感受野。预测器则通过三层全连接层将320维特征映射为RUL标量输出，这种"宽输入-深特征-精输出"的结构显著提升了时序特征提取能力。

3.3 子域自适应网络
该模块的创新性体现在三方面：动态下采样器在每轮训练中随机生成不同长度的源域片段；基于DTW算法的子域匹配模块自适应寻找目标域对应片段；时间加权因子w^S和w^T通过式(2)(3)计算，使模型聚焦关键退化阶段。实验显示，当μ=0.1时，MMD对齐效果最佳，验证了时间加权机制的必要性。

3.4 上下文信息补偿
针对切片操作导致的信息损失，研究团队设计了对比学习框架：将"切片-编码"特征r_sub^S与"编码-切片"特征p^S构成正样本对，随机采样的n₁^S和n₂^S作为负样本对。通过式(7)的三元组损失优化，使编码器在仅输入数据片段时仍能重建完整上下文信息，补偿率达到83.6%。

4.4 超参数分析
网格搜索实验表明，当权衡参数μ=λ=0.1时模型达到最优平衡。值得注意的是，μ>0.5时预测性能急剧下降，说明过度强调域对齐会损害主任务学习，这一发现为后续研究提供了重要参数调优依据。

4.6 对比实验
在PRONOSTIA数据集上的六组迁移任务中，SDA-CIC以平均MAE 0.0688、RMSE 0.0874和Score 0.5350全面领先。特别是相比最佳基线VLSTM-LWSAN，其MAE降低了15.7%，验证了动态子域划分策略的优越性。T-SNE可视化显示，SDA-CIC的特征聚类紧密度比传统方法提高2.3倍。

这项研究开创性地将动态子域匹配与上下文补偿机制引入RUL预测领域，其技术价值体现在三方面：首先，DTW驱动的自适应子域划分突破了固定边界限制；其次，双路径编码架构解决了局部片段信息不完整问题；最后，工业数据集验证表明模型推理速度达到实时要求。这些突破为智能制造领域的设备健康管理提供了可落地的解决方案，特别适用于风电、高铁等复杂工况场景的预测性维护。未来研究可探索多源域泛化架构，进一步提升模型在极端工况下的鲁棒性。