电潜螺杆泵混合域故障诊断新方法：基于类内-类间特征对齐的跨域学习框架

本文提出了一种针对电潜螺杆泵(ESPCP)的混合域故障诊断新方法(MD-IDA)，通过对比学习实现未知子域的隐式对齐，结合改进的Borderline-SMOTE样本生成技术，有效解决了工业现场多源数据分布差异大、标签不完整等难题。实验证明该方法在复杂工况下具有优越的跨域诊断性能。

　　

Highlight

本研究创新性地开发了混合域内分布对齐模块(MD-IDA)，通过最小化类内特征相似性和最大化类间特征差异性，实现了对含未知子域的复杂工业数据集的直接训练。

理论背景

本节阐述了ESPCP系统故障特性及其对样本分布的影响。提出的MD-IDA模块采用两阶段训练框架：首先通过虚拟域混合差分(VDMD)损失构建随机虚拟样本域，随后在特征空间实施类间-类内对比学习，最终形成域不变的诊断模型。

数据分布优化可视化

采用t-SNE算法可视化展示了MD-IDA模块对特征空间的优化效果。如图5所示，经处理后的数据呈现出更清晰的类间边界和更紧凑的类内分布，证实了模块在消除域偏移方面的有效性。

讨论与局限性

从三个维度探讨了本方法的理论边界：1) VDMD损失在极端样本不平衡场景的稳定性；2) 特征空间样本生成对黑盒模型的解释性挑战；3) 在非平稳工况下的实时诊断适应性。

Conclusion

针对工业数据复杂结构带来的诊断难题，本研究构建了基于对比学习的MD-IDA框架，通过特征空间直接优化实现了：1) 未知子域的隐式对齐；2) 跨域分类器的端到端训练；3) 基于三元组距离的边界样本增强。