多源对比聚类中心方法在跨域轴承故障诊断中的创新应用

本文提出了一种创新的多源对比聚类中心方法(MS3C)，通过整合对比聚类中心(CCC)与多源域适配(M3DA)技术，有效解决了滚动轴承在复杂工况下的跨域故障诊断难题。该方法不仅考虑了不同源域与目标域间的分布差异，还创新性地解决了多源域间同类故障特征的适配问题，实验证明其在识别率、聚类性能和收敛性方面均优于现有方法。

　　

亮点

• 创新性地将单源对比聚类中心(CCC)整合到多源域适配(M3DA)框架中，提出MS³C方法

• 首次同时解决多源域间、源域-目标域间以及同类故障特征的分布差异问题

• 可视化实验和定量分析验证了方法在复杂工况下的优越性能

方法模型

如图1所示，MS³C模型包含输入层、特征提取层（采用CNN架构，参数详见表1）、对比聚类中心模块和双分类器设计。通过构建类内紧凑/类间分离的特征空间，有效捕获跨域不变特征。

实验验证

选用帕德博恩大学轴承数据集(PU)、IEEE PHM09和齿轮箱数据集进行测试。与MCDDA、DANN等现有方法相比，MS³C在三个数据集上的平均识别率提升12.6%，特征可视化显示其能形成更清晰的故障簇群。

结论

本研究突破了传统单源域适配的局限，通过多源对比学习机制：

1. 1.

   显著提升模型在变工况下的泛化能力

2. 2.

   实现跨域故障特征的深度对齐

3. 3.

   为旋转机械智能诊断提供新范式