物理知识引导的记忆增强与因果启发的泛化框架：持续故障诊断新范式

为解决工业设备动态工况下故障诊断模型存在的灾难性遗忘和泛化能力不足问题，研究人员提出物理知识引导的记忆增强与因果启发的泛化框架（PMECG）。该研究通过物理置信度动态样本回放、历史遗忘率平衡的弹性权重固化（D-EWC）及因果特征提取器，显著提升模型对旧工况的记忆能力、新工况的学习能力及未见工况的泛化性能。实验验证其在持续诊断场景中的优越性，为工业智能运维提供关键技术支撑。

　　

工业设备的智能故障诊断是保障生产安全与效率的核心技术，但传统方法在动态变化的工况面前显得力不从心。滚动轴承作为关键部件，其故障可能导致严重事故。然而，实际工业环境中，设备常需在多变转速、负载等条件下运行，导致监测数据分布漂移。现有基于静态假设的诊断模型面临两大挑战：一是学习新工况数据时会快速遗忘旧知识（灾难性遗忘），二是对未见工况的泛化能力不足。更棘手的是，工业场景常出现无标签的新工况数据，要求模型兼具记忆强化与泛化能力。

针对这一难题，华中科技大学等机构的研究团队在《Knowledge-Based Systems》发表论文，提出物理知识引导的记忆增强与因果启发的泛化框架（PMECG）。该研究创新性地融合物理先验知识与因果推理，通过三阶段策略突破持续诊断瓶颈：首先设计物理置信度驱动的动态样本回放机制，其次开发基于历史遗忘率平衡的动态弹性权重固化（D-EWC），最后构建因果损失引导的特征提取器。研究采用HUST轴承数据集（含11种转速工况下9类状态数据）验证，结果表明PMECG在记忆保持率、新任务适应性和跨域泛化性方面均显著优于对比方法。

关键技术方法
研究团队采用多模态技术路线：1）物理知识引导的自适应知识积累策略，结合振动信号物理特征置信度与历史遗忘率动态调整回放样本比例；2）动态弹性权重固化（D-EWC），通过平衡新旧域Fisher信息矩阵实现参数更新约束；3）因果特征提取器，利用干预机制分离故障相关因果特征与无关环境特征。实验使用6种恒定转速工况数据构建持续诊断任务流，评估指标包含平均精度（AP）、后向迁移（BWT）和域泛化误差。

物理知识引导的记忆增强
通过分析轴承振动信号的物理特性（如共振频带能量比），构建物理置信度评分模型。结合历史遗忘率动态调整样本回放库，优先保留高物理信息量的样本。在HUST数据集测试中，该方法使旧工况分类精度提升12.7%，同时减少38%的存储开销。

动态弹性权重固化（D-EWC）
传统EWC（弹性权重固化）采用固定Fisher信息矩阵约束参数更新，而D-EWC引入遗忘率自适应权重。实验显示，在连续学习5个新工况后，D-EWC使模型在初始工况上的精度衰减从传统方法的41.2%降至9.8%，验证其平衡记忆与学习的能力。

因果启发的泛化性能
通过构建因果损失函数L_causal=||Φ(X)_do(T=0)-Φ(X)_do(T=1)||₂，强制模型学习干预不变的故障特征。在未见转速工况测试中，该模块使泛化错误率降低23.4%，显著优于对比的域泛化方法（如DANN、MMD）。

结论与意义
PMECG框架首次将物理先验、动态记忆平衡与因果推理系统性地融入持续诊断领域。其创新性体现在：1）物理知识引导的样本选择机制，突破传统回放方法的随机性局限；2）动态参数约束策略，解决持续学习中稳定性-可塑性困境；3）因果特征解耦技术，增强模型对复杂工况变化的鲁棒性。该研究为工业4.0环境下的设备智能运维提供了可解释、低存储开销的持续学习方案，相关方法可扩展至其他旋转机械的预测性维护系统。未来工作将探索多物理场耦合信号的协同建模，以及面向开放世界场景的增量诊断机制。