面向跨条件小样本剩余使用寿命预测的渐进式混合域适应框架及生成式中间域增强

《Neurocomputing》：Progressive hybrid domain adaptation framework with generative middle-domain enhancement for cross-condition small-sample remaining useful life prediction

　　

摘要

本文提出了一种具有生成中间域增强的渐进式混合域自适应框架（PHDA-GME），以解决跨工况剩余使用寿命（RUL）预测中的域分布漂移以及目标域标注样本匮乏问题。所提出的框架通过渐进式混合域自适应方案实现了跨域特征分布的逐步连续对齐。设计了一种Transformer-BiTCN联合编码器，集成了生成式中间域增强方案和不确定性感知加权机制，以增强小样本场景下迁移学习的稳定性。在C-MAPSS数据集上的实验表明，所提出的PHDA-GME方法优于多种现有技术，取得了更优的预测精度和鲁棒性。

引言

随着智能制造的快速发展，航空发动机和柴油机等动力系统的健康管理及预测性维护已成为故障诊断与健康管理（PHM）领域的重要研究方向[1]、[2]。其中，剩余使用寿命（RUL）预测作为PHM的核心技术之一，旨在通过对多源传感器数据进行建模和分析，刻画设备性能的退化过程，从而估计设备发生故障前的失效时间和剩余运行循环[3]、[4]。与传统基于物理模型的方法相比，数据驱动的RUL预测方法近年来因其对复杂非线性退化过程的优越建模能力，已成为主流研究范式[5]。这些方法通过学习多源传感器数据中的退化表征，实现了设备寿命状态的端到端建模，并在多种公开数据集和工程应用中展现了卓越的性能[6]。

更广泛地来看，所提出的PHDA-GME框架可以被置于制造系统通用端到端诊断与监测框架的语境中。Yuan等人[7]提出了一种通用的数据驱动端到端诊断框架，在深度学习架构下统一了特征提取、故障检测和预测任务，展示了在单一模型中集成多种PHM任务的潜力。Zhang等人[8]通过基于BiGRU的多门控混合专家（MMoE）模型，同时利用了设备性能退化和健康状态信息，实现了航空发动机联合健康状态评估和RUL预测。然而，这些端到端框架主要基于单域或独立同分布假设运行，并未明确解决跨工况分布漂移或目标域样本匮乏问题。相比之下，所提出的PHDA-GME框架通过引入渐进式域自适应、生成式样本增强和不确定性感知对齐，专门针对这些挑战，从而将深度时序模型的应用扩展到通用诊断框架未能充分覆盖的跨工况小样本场景。

尽管深度时序模型在单一工况下能够实现较高的预测精度，但其性能通常依赖于训练数据和测试数据遵循独立同分布（i.i.d.）分布的假设[9]。当运行环境发生变化时，由于载荷条件、转速、环境温度和故障演化模式的差异，源域与目标域之间可能出现显著的分布偏差，导致模型泛化能力急剧下降[10]、[11]。为解决这一问题，域自适应和迁移学习已成为跨工况RUL预测的重要研究方向。Fan等人[12]提出了一种用于跨域RUL预测的两阶段子域自适应网络（TSSAN），通过退化阶段分割将不同的退化解子域划分开来，并结合子域自适应和动态加权策略，有效提升了预测性能。Shi等人[13]开发了一种深度子域对抗网络（DSAN），通过构建单类诊断模型，并利用伪标签和本地最大均值差异（LMMD）对齐源域与目标域子域，增强了跨工况故障诊断的泛化和识别能力。然而，大多数现有域自适应方法采用源域与目标域之间的直接对齐策略，通过一步映射统一特征分布。当源域与目标域的工况差异较大时，这种直接对齐可能导致特征分布的剧烈跳变，从而扰乱退化演化模式的学习，甚至引发负迁移。

另一方面，复杂工业场景中的目标域通常面临标注样本不足的问题，这限制了传统深度迁移学习方法的有效性[14]。特别是在高可靠性设备中，获取完整的故障数据代价极高，而且实际运行中的大多数设备仍处于健康或轻微退化状态，这使得小样本问题尤为突出[15]。为缓解数据匮乏问题，研究人员将生成对抗网络（GAN）引入RUL预测领域，通过生成伪样本来增强目标域数据。Chen等人[16]结合累积退化特征、Wasserstein距离和三元组损失，构建了一个复合对抗域自适应模型，从而提高了小样本RUL预测的稳定性。Sim等人[17]利用TimeGAN生成具有时序依赖性的退化序列，并结合CNN-LSTM用于传输系统的RUL预测。Qian等人[18]建立了一种结合改进的Wasserstein GAN（WGAN）与多参数非线性退化模型的RUL预测框架，实现了复杂工业系统更高的预测精度。然而，由于退化序列固有的强时序相关性和演化约束，现有的生成增强方法在生成退化轨迹时，常常面临时序依赖弱化[19]、退化一致性不足[20]以及跨工况特征失配[21]等问题。这些局限性进一步限制了生成样本对真实退化模式的表征能力。

此外，设备在复杂工况下的运行通常伴随着运行波动、噪声干扰和跨域分布漂移。因此，传统的跨域RUL预测方法在迁移学习过程中往往隐式地假设不同样本具有同等的重要性和可靠性。由此，异常样本、高噪声样本和边界分布样本可能引入误导性的迁移信息，从而加剧负迁移，降低预测的稳定性与鲁棒性。近年来，不确定性量化在PHM领域日益受到关注[22]、[23]。已有研究表明，概率建模方法，如贝叶斯神经网络（BNN）[24]和蒙特卡洛Dropout[25]，能够有效估计预测过程中的不确定性，从而增强模型在复杂工况下的可靠性和鲁棒性。然而，当前研究主要聚焦于预测输出层面的不确定性分析，而迁移过程中的结构不确定性建模与利用仍处于探索不足的状态[26]。

基于上述分析，可以识别出跨工况小样本RUL预测中的三个关键挑战。第一，当工况差异较大时，源域与目标域之间的直接一步对齐会导致特征分布的剧烈跳变，从而扰乱退化演化模式的学习，并可能导致负迁移。第二，在目标域小样本条件下，现有的生成增强方法往往无法保留生成样本的时序依赖、退化一致性和跨工况结构特征，从而限制了其对真实退化模式的表征能力。第三，异常样本、高噪声样本和边界分布样本可能在域对齐过程中引入误导性的迁移信息，然而现有方法很少对特征嵌入空间的结构不确定性进行建模，导致迁移动态不可靠，预测鲁棒性降低。这些挑战共同促使了所提出的PHDA-GME框架的设计。

为应对上述挑战，本文提出了一种具有生成中间域增强的渐进式混合域自适应框架（PHDA-GME），用于半监督小样本RUL预测。所提出的方法专注于建模退化特征在跨工况下的连续演化，并通过渐进式域自适应实现从源域到目标域的平滑知识迁移。此外，通过集成深度时序特征提取与生成式样本增强策略，所提出的框架提高了小样本条件下复杂退化模式的表征能力。同时，引入了一种不确定性引导的动态对齐机制，根据样本可靠性自适应地调整迁移过程，从而增强了复杂工况下RUL预测的鲁棒性和泛化能力。

本文的主要贡献总结如下：

1. 提出了一种渐进式混合域自适应（PHDA）框架。通过构建"源域-中间域-目标域"的连续迁移路径，并引入可学习的时间变化插值机制，所提出的框架实现了跨域特征分布的渐进式演化，从而缓解了传统直接对齐策略中因分布剧烈跳变导致的负迁移问题，提高了复杂工况下的迁移稳定性。

2. 设计了一种交替堆叠的Transformer-BiTCN联合编码器。所提出的架构采用Transformer模块捕捉退化序列中的全局依赖关系，同时利用BiTCN提取局部时序动态和工况敏感特征，从而增强了对复杂退化模式的表征能力。

3. 开发了一种面向小样本场景的生成中间域增强（GME）策略。基于改进的WGAN-DA，在潜空间中生成同时保留源域退化结构和目标域动态特征的中间域样本。此外，引入了时序保持约束和跨域特征混合正则化，以增强生成样本的退化一致性和结构连续性，从而缓解小样本条件下迁移性能的退化。

4. 提出了一种基于结构不确定性的概率自适应对齐机制。通过蒙特卡洛Dropout估计特征嵌入空间中的结构不确定性，并根据样本可靠性动态调整迁移权重，从而减少域对齐过程中异常样本和高噪声样本的干扰。

节选片段

所提出的方法

本节提出了一种具有生成中间域增强的渐进式混合域自适应框架（PHDA-GME），用于跨工况小样本剩余使用寿命预测。该框架包含三个关键组成部分：(1)渐进式混合域自适应机制；(2)生成中间域增强策略；以及(3)不确定性感知的域对齐机制。所提出框架的开发涉及多项技术难点：(i)数据集描述

本节的实验在NASA提供的C-MAPSS涡扇发动机退化数据集上进行[32]，如表1所示。该数据集是RUL预测领域使用最广泛的公开基准之一，包含多种工况和故障模式，能够有效刻画航空发动机在复杂环境下的退化演化过程。

C-MAPSS数据集由四个子数据集组成，即FD001、FD002、FD003和FD004。

结论

本文提出了一种具有生成中间域增强的渐进式混合域自适应框架（PHDA-GME），用于小样本跨工况RUL预测，旨在解决跨工况RUL预测任务中分布差异严重、目标域样本匮乏和迁移过程不稳定等挑战。通过构建具有"源域-中间域-目标域"连续演化路径的渐进式混合域自适应框架……

CRediT作者贡献声明

翟萌萱：论文初稿撰写、研究方法、调查研究、形式分析、概念设计。易小建：论文审阅与编辑、监督指导、项目管理、调查研究、资金获取。

利益冲突声明

作者声明不存在任何可能影响本文所述工作的已知竞争经济利益或个人关系。

翟萌萱于2024年获得中国石油大学（北京）机械设计制造及其自动化专业工学学士学位。目前，她正在北京理工大学攻读武器系统工程专业硕士学位。她当前的研究方向集中在故障诊断、寿命预测和健康管理领域。

翟萌萱 | 易小建