基于物理引导表示学习与选择性域自适应的跨工况轴承故障诊断

《Machine Learning and Knowledge Extraction》：Physics-Guided Representation Learning and Selective Domain Adaptation for Cross-Condition Bearing Fault Diagnosis

　　

跨工况轴承故障诊断仍具挑战性，因为运行工况变化会引起分布偏移，从而降低诊断性能。此外，域自适应并非总是有益的，可能引入负迁移和不必要的计算成本。本文提出一种带有差异门控部署策略的物理引导域表示网络（Physics-Guided Domain Representation Network，PGDRN），该网络结合时域、频域和物理引导表示，并采用无监督决策机制来判断是否应启动目标域自适应。该框架在帕德博恩大学轴承数据集上，针对三个运行工况迁移任务进行了评估，最终部署和域自适应比较在五次独立运行中重复进行。在三个域自适应任务各五次独立运行中，门控部署相对于冻结模型实现了平均宏F1值（Macro-F1）+0.0105的提升，将无条件自适应下观测到的33.3%负迁移率降至13.3%，并将平均自适应时间缩短了26.3%。与代表性域自适应方法相比，门控PGDRN的总体宏F1值为0.7763，而Deep CORAL为0.7667，DANN为0.7706，MDD为0.7495，UAC-SFUDA为0.6410，PrEPoA为0.7655。上述结果表明，不仅应考虑诊断模型应如何自适应，还应考虑何时应启动自适应，二者均具有重要价值。

论文解读：物理引导表示学习与选择性域自适应在跨工况轴承故障诊断中的应用

一、研究背景与问题

滚动轴承是旋转机械的关键部件，其故障可能导致设备损坏、非计划停机以及维护成本增加。基于振动信号的智能故障诊断方法在现代工业中得到了广泛应用。然而，大多数深度学习诊断模型假设训练数据与部署数据的统计特征足够相似，这一假设在实际工业环境中经常被违背。旋转机械很少在固定工况下运行，转速、机械负载、扭矩、润滑条件、传感器位置、环境噪声、制造公差和部件老化等因素的变化都会改变振动信号的统计特征，导致即使故障类别不变，数据分布也会发生偏移。因此，从有标签源域学习到的特征表示在未见过的工况下可能泛化能力有限，导致诊断性能下降。

无监督域自适应（Unsupervised Domain Adaptation，UDA）成为将诊断知识从有标签源域迁移到无标签目标域的重要策略。然而，现有方法大多聚焦于自适应启动后如何改进特征对齐，而较少关注是否应当执行自适应这一前置决策。域自适应并非总是有益的，在分布偏移较小的情形下，训练良好的模型可能已能提供满意的诊断性能，此时执行自适应不仅带来不必要的计算开销，还可能产生负迁移，即自适应后模型在目标域上的表现反而差于未自适应的源模型。因此，一个重要的部署层面问题尚未得到充分探索：诊断系统能否仅利用无标签目标域信息，在修改已有可靠源域模型之前判断是否应执行自适应。

二、研究内容与结论

针对上述研究空白，本研究提出了一种用于可靠跨工况轴承故障诊断的物理引导差异感知部署框架。该框架整合了物理引导域表示网络（PGDRN）与差异感知部署策略。PGDRN联合利用原始振动信号、频谱信息和轴承特征频率知识，学习既具判别性又具物理意义的诊断表示。框架并非假设只要获得无标签目标域数据就应执行自适应，而是利用无标签目标数据评估源域与目标域之间的差异及预测可靠性，以决定应保留预训练源模型还是执行域自适应。通过将物理引导表示学习与部署感知决策相结合，该框架在提高跨工况诊断可靠性的同时，减少了不必要的自适应、缓解了负迁移并提高了计算效率。

研究在帕德博恩大学轴承数据集上构建了三个独立的迁移任务，每个任务以固定运行工况作为有标签源域，选择三个不同运行工况作为无标签目标域。最终部署实验对每个迁移任务重复五次独立运行。结果表明，门控部署策略在15次运行中仅在11次启动自适应，跳过自适应的4次运行均发生在T2任务中，其中3次成功避免了负迁移。门控部署将负迁移率从无条件自适应的33.3%降至13.3%，平均负迁移严重程度从0.0072降至0.0051，平均自适应时间缩短26.3%，同时保持了+0.0105的正向平均自适应增益。

三、关键技术方法

本研究采用的主要技术方法包括：其一，多表示输入构建，将每个振动窗口转换为归一化时域信号、快速傅里叶变换（Fast Fourier Transform，FFT）频域表示和基于轴承运行原理的工程物理特征三种互补输入。其二，多分支特征学习架构，时域和频域分支采用一维卷积神经网络（Convolutional Neural Network，CNN），物理特征分支采用全连接层，三个分支独立编码后通过门控残差融合机制整合为统一潜在表示。其三，差异门控部署机制，利用最大均值差异（Maximum Mean Discrepancy，MMD）结合预测可靠性、类别平衡性和预测熵等无监督诊断标准，决定是否启动自适应。数据来源为帕德博恩大学轴承数据集，包含不同运行工况和故障类别下的轴承振动测量记录。

四、研究结果

与代表性域自适应方法的比较。 研究将门控PGDRN与Deep CORAL、DANN、MDD、UAC-SFUDA和PrEPoA五种方法进行了对比。门控PGDRN的总体宏F1值为0.7763，高于Deep CORAL的0.7667、DANN的0.7706、MDD的0.7495、UAC-SFUDA的0.6410和PrEPoA的0.7655。在0.01显著性水平下，门控PGDRN与Deep CORAL、MDD和UAC-SFUDA的配对差异具有统计学意义，但与DANN和PrEPoA的差异不显著。在负迁移率方面，Deep CORAL和DANN均为53.3%，MDD、UAC-SFUDA和PrEPoA介于60.0%至66.7%之间，而门控PGDRN仅为13.3%。

域自适应性能分析。 在15次运行中，无条件自适应策略在5次运行中降低了宏F1值，负迁移率为33.3%，平均负迁移幅度为0.0072。门控部署策略仅在2次运行中出现负迁移，负迁移率降至13.3%，平均负迁移幅度降至0.0051。门控策略在15次运行中启动自适应11次，跳过4次，全部跳过决策均发生在T2任务中，其中3次避免了负迁移，1次略过了较小的正向增益。门控部署的平均自适应时间为3059.2秒，较无条件自适应的4152.7秒减少了26.3%。

五、讨论与结论

研究讨论指出，物理引导特征对跨工况诊断的贡献取决于信号窗口长度。在8192样本窗口下，加入物理引导特征使目标域宏F1值从0.5687提升至0.6973，但在2048样本窗口下未观察到改善。特征分支消融实验表明，移除物理引导分支在三个任务中均降低了平均宏F1值，而频域分支的贡献因工况而异。研究局限性包括仅基于帕德博恩数据集三个迁移任务、受控实验室条件、差异门控标准可能需要针对不同数据分布重新校准，以及门控虽降低了负迁移率但未完全消除负迁移。

研究结论表明，物理引导表示学习在充足信号上下文条件下为跨工况诊断提供了有效基础。更重要的是，五次运行部署评估显示自适应并非在每次运行中都有益。差异门控部署将负迁移率从33.3%降至13.3%，平均自适应时间缩短26.3%，同时保持了+0.0105的正向平均自适应增益。与代表性域自适应方法的比较显示，门控PGDRN保持了有竞争力的目标域性能，总体宏F1值为0.7763。该框架的贡献不在于普遍的分类性能优势，而在于将可迁移表示学习与选择性启动自适应的机制相结合，同时减少负迁移的发生和计算开销。未来工作应研究自适应或学习的门控机制，扩展为在多种自适应策略间选择，并评估更多数据集、机械类型和真实工业测量数据以验证方法的普适性。