基于数据生成与类级域对抗的混合融合样本跨域故障诊断方法

本文针对旋转机械故障诊断中样本分布复杂、不平衡及类间差异大的挑战，提出了一种结合扩散生成对抗网络(Diffusion-GAN)和代理度量学习(ProxyNCA)的类级域对齐方法(PMCDAN)。研究通过双分类器确定性差异(CDD)损失和伪标签引导策略，在帕德博恩轴承和自制齿轮数据集上实现了跨工况下99.13%的最高诊断准确率，为解决工业场景中数据稀缺和域偏移问题提供了新思路。

　　

旋转机械作为智能制造和航空航天领域的核心部件，其故障诊断的准确性直接影响系统安全。然而，现有基于域适应(DA)的方法往往忽视样本混合分布下的类间差异，导致边际样本识别率低下。更棘手的是，工业场景中故障数据通常呈现"少量多样"的特点——既有标签稀缺的天然缺陷，又存在工况变化引发的域偏移问题。这种双重挑战使得传统方法如深度珊瑚网络(Deep CORAL)和域对抗神经网络(DANN)在真实场景中表现不佳，尤其面对齿轮断裂、轴承剥落等复合故障时，准确率可能骤降30%以上。

针对这一瓶颈，贵州大学先进制造技术教育部重点实验室的研究团队在《Journal of Computational Design and Engineering》发表创新成果。该研究巧妙融合生成式模型与度量学习，构建了代理度量分类器确定性差异对抗网络(PMCDAN)。通过扩散生成对抗网络(Diffusion-GAN)生成逼真故障样本解决数据失衡，同时引入代理邻域成分分析(ProxyNCA)实现深层特征对齐。关键技术包括：1) 双分类器架构通过CDD损失量化预测分歧，定位域间差异样本；2) 伪标签引导的ProxyNCA度量学习，在特征空间构建类原型(Class Prototype)实现跨域紧凑聚类；3) 动态调整扩散步长的数据生成策略，平衡生成样本多样性与真实性。

【类级域对齐方法】

通过可视化分析发现，传统DANN在帕德博恩数据集H01任务中特征分散(准确率55.58%)，而PMCDAN使同类样本跨域重叠度提升42%，将准确率推至70.29%。

【不平衡数据诊断】

在齿轮故障G12任务中，原始数据仅含10个断齿样本时，PMCDAN*（经Diffusion-GAN增强后）准确率达57.89%，较基线提升15.59%。

【互补性验证】

有趣的是，在负载变化较小的H12任务中，CDD_DANN独立实现97.75%准确率，表明简单场景中类原型引导可能引入冗余计算，这为方法选择提供了实证依据。

该研究突破了传统域适应方法在细粒度对齐上的局限，首创将扩散模型与度量学习结合用于故障诊断。实验表明，在12个轴承跨域任务中平均准确率超越现有最优方法9.8%，尤其对稀疏边际样本（如内圈裂纹KI01）的识别率提升18%。研究者特别指出，动态扩散步长机制使生成样本的信噪比稳定在23dB以上，较传统GAN提升6dB，这为工业小样本场景提供了可靠的数据增强方案。未来工作将探索该方法在开集诊断和复合故障定位中的扩展应用。