AD-FHA：一种基于人信息系统融合方法，具有视觉扫描和记忆检索能力的无监督故障诊断方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：AD-FHA: An unsupervised fault diagnosis method with visual scanning and memory retrieval capabilities based on a human information system fusion approach

　　

- ADSF动态稀疏单元利用视觉扫描将故障与工况干扰解耦。
- MSSE通过自适应融合多尺度特征来增强故障特征的鲁棒性。
- 受记忆检索启发的FHA哈希模型构建故障记忆库以实现无监督域间诊断。
- AD-FHA框架实现了跨工况条件下准确且鲁棒的无监督故障诊断。

**1. 引言**

滚动轴承作为旋转机械的关键元件，被广泛应用于电动机、风扇、齿轮箱和轨道交通系统等重要工业设备中，其状态直接影响设备的运行可靠性和生产安全[1]。在工业4.0背景下，数据驱动的智能故障诊断技术已成为实施预测性维护和减少非计划停机损失的关键方法[2]。在实际工业环境中，轴承经常在速度和负载波动的复杂工况下运行。获取的振动信号受严重背景噪声、频繁工况变化、故障样本有限以及标注成本高昂等问题困扰[3]，使得传统的监督学习方法难以直接应用。因此，目标域无标注的变工况无监督故障诊断逐渐成为该领域的研究焦点和难点[4]。

现有的无监督域自适应故障诊断技术主要通过匹配源域和目标域之间的特征分布来实现故障知识的跨域迁移[5]。早期研究主要采用基于统计指标的域适应技术，将最大均值差异（MMD）[6]、相关性对齐（CORAL）[7]和Wasserstein距离[8]等指标与深度神经网络相结合，通过减少域之间的边缘分布差异来实现基本特征迁移。为了增强特征的可分性，进一步的研究采用了条件分布对齐和伪标签自训练等方法[9]。

近年来，深度学习技术的快速发展为无监督故障诊断领域催生了许多新的研究方向。Cao等人[10]针对直接域自适应中存在的显著差异问题，提出了一种新颖的无监督域自适应方法，并将其与对抗学习相结合以提高诊断性能，使特征表示兼具可迁移性和可分性。综合实验结果表明，所提方法达到了更优的性能。Chen等人[11]开发了一种深度条件对抗子域自适应网络（DCASAN）用于无监督机械故障诊断，考虑了未知工况下域分布的变化。该方法能够有效获取具有鲁棒泛化能力的特征，在三个数据集上的鲁棒性和泛化性能明显优于其他方法。Zhong等人[12]指出，现有方法大多关注全局域适应，忽视了子域之间的细微差异，并提出了一种多对抗子域自适应网络（MASAN）。动态驱动模拟器和帕德博恩大学数据集的实验结果表明，该方法在特征提取和域适应方面表现出卓越的效果。

在物理洞察力和可解释性方面，为了应对纯数据驱动方法的"黑箱"特性，研究人员开始将机械故障的物理先验知识融入模型设计中。Huang等人[13]提出了一种基于气流通道配置和故障信息传播原理的故障传播与演化分析方法，解决了航空发动机气流部件性能指标之间的强相关性和强耦合性问题。通过多项对比研究验证了该体系的有效性，展示了其在提高多指标故障识别准确性和可解释性方面的优势。针对数据分布不均匀和可解释性不足等挑战，Jia等人[14]提出了一种基于增强小波的层级域自适应网络（LHDAN），增强了物理齿轮箱与数字孪生模型之间的诊断信息流动。实验表明，LHDAN在可解释性和诊断效果方面均优于传统方法。针对冷水机组长期运行过程中持续产生和动态演化的数据问题，He等人[15]提出了一种无监督跨域故障诊断模型，将联合最大均值差异（JMMD）与对抗网络损失相结合用于域适应。两个轴承数据集验证了所提方法的有效性，实验结果表明该方法在达到更高准确率的同时，所需参数更少且计算效率更高。Kang等人[16]提出了一种基于联邦通用域适应（FUDA）的无监督滚动轴承故障诊断方法，以解决私有滚动轴承数据不共享、多客户端间分布差异、标签空间不一致以及部分客户端难以获取标注数据等问题导致的诊断模型准确率低下。通过实验验证了所提策略的有效性。

近年来，无监督智能缺陷诊断技术在旋转设备状态监测领域得到了深入研究。尽管许多方法在最优实验室条件下达到了令人瞩目的诊断准确率，但当前模型在实际工业应用中，尤其是在跨工况条件、显著域漂移和标签资源有限的情况下，面临着重大挑战。主要问题如下：

- **跨域场景下，当前特征提取框架缺乏针对性方向。** 它们主要采用静态权重的卷积架构进行全局特征提取，忽视了旋转设备故障主要影响窄带频率范围这一实际规律[17]。因此，它们无法有效地从负载和转速等运行干扰中区分故障判别信息，导致所提取特征域不变性不足且冗余度过高。显著的工况变化往往导致故障特征被淹没。
- **传统单尺度特征提取方法难以同时捕获不同频段的故障效应。** 不同损伤程度的故障信号在时域和频域均表现出显著的尺度变化。固定尺度的卷积核难以充分表示不同的故障模式，如弱冲击和周期调制，导致细粒度故障特征在不同工况下缺乏鲁棒性，阻碍了高精度无监督诊断任务的实现。
- **当前无监督分类方法高度依赖数据驱动的可分性学习。** 在目标域缺乏任何标签的场景下，这些方法容易过拟合且分类边界模糊[18]。此外，决策过程缺乏可追溯性，无法阐明诊断结果的物理基础。因此，模型在小样本和高噪声条件下的分类可靠性不足，无法满足实际工程应用中对鲁棒且可解释诊断的需求。

针对上述挑战——即故障与工况耦合干扰严重、单尺度特征表征不足、无监督分类鲁棒性有限以及可解释性不足——我们提出了一种融合人类信息系统思想的无监督故障诊断方法（AD-FHA），该方法具备视觉扫描和记忆检索能力。主要贡献如下：

1. **提出了一种受选择性注意力启发的动态稀疏特征提取框架（ADSF）。** 为解决故障-工况耦合干扰和特征提取缺乏针对性指导的问题，我们模拟人眼视觉扫描的聚焦、过滤和重新聚焦过程，通过故障显著性检测来定位敏感频段，并结合动态稀疏卷积和注意力权重的二次筛选，选择性地放大故障冲击信息，同时动态衰减与工况相关的干扰，从而显著增强特征的物理可解释性和域不变性。

2. **提出了一种自适应多尺度稀疏感知增强（MSSE）理论。** 为克服传统单尺度特征在表征多种故障模式方面的不足，该方法模拟人类视觉系统对多尺度信息的协同感知机制，通过并行多尺度分支在不同分辨率下提取故障特征，并根据特征能量动态分配分支权重，从而增强对弱冲击和周期调制等故障模式的表征能力，提高特征在不同工况下的细粒度可分性和稳定性。

3. **提出了一种受记忆检索启发的哈希诊断方法（FHA）。** 为缓解无监督场景中标签稀缺、严重过拟合和可解释性不足等挑战，该方法模拟人类利用已有经验模板识别陌生模式的能力，采用轻量级哈希编码将高维特征转换为低维哈希向量，构建并动态更新标准故障记忆库，最终基于汉明距离执行故障检索和诊断，从而在保证模型决策过程可追溯性的同时避免过拟合。

4. **构建了AD-FHA无监督故障诊断框架，** 融合了ADSF动态稀疏特征提取、MSSE多尺度增强和FHA哈希记忆检索模块。该框架有效解决了当前模型在跨工况条件、显著域漂移和标签有限等情况下面临的诊断挑战，显著提升了模型在复杂真实工业环境中的诊断效能和工程适用性。

总之，与现有独立应用不同，本文的创新主要体现在：ADSF通过显著性检测定位敏感频段，并通过动态稀疏卷积实现实际计算量节省；MSSE仅在净化后的敏感频段内进行多尺度增强；FHA将哈希编码与记忆库检索相结合，实现了启发式、无监督和可追溯诊断的理论定义与设计。后续消融实验验证了它们的独立贡献和协同效应。

本文其余部分结构如下：第2节主要阐述模型的理论基础和现有研究的局限性。第3节阐述AD-FHA范式，包括其各模块的公式化定义和运行原理。第4节基于跨域数据集的诊断实验和第5节基于复合故障数据集的诊断实验分别在跨工况数据集和真实联动数据集上进行了全面的场景特定实验，以评估所提方法的有效性和实际工程应用的可行性。

**2. 相关工作**

本章主要介绍无监督故障诊断研究中的基本理论和现有研究的局限性，以及该领域的理论基础，包括无监督故障诊断理论和相关损失函数的计算方法。

**2.1 无监督域自适应故障诊断的基本框架**

无监督域适应（UDA）[19]的主要目的是解决源域和目标域之间的数据分布差异问题。在目标域缺乏标注样本的情况下，无监督域适应（UDA）将从源域标注数据中获取的故障诊断知识迁移到目标域，以确保准确的问题识别。该方法特别适用于标注轴承故障样本困难且工况变化迅速的实际工业场景。

设源域数据集包含标注样本，表示为 $\mathcal{D}_s = \{(x_s, y_s)\}_{i=1}^{n_s}$，其中 $x_s$ 表示轴承振动的频域/时域特征，$y_s$ 表示相关的故障标签，$n_s$ 表示源域样本总数；目标域数据集缺乏标注信息，表示为 $\mathcal{D}_t = \{x_t\}_{i=1}^{n_t}$，其中 $n_t$ 表示目标域样本数。源域和目标域具有不同的边缘分布，即 $\mathcal{P}(x_s) \neq \mathcal{Q}(x_t)$，但它们拥有相同的故障标签空间，即 $\mathcal{Y}_s = \mathcal{Y}_t$。

无监督域自适应故障诊断的主要目标是：通过特征提取网络获取域不变的特征映射 $\mathcal{f}(x)$，将源域和目标域的数据转换到统一的特征空间。该过程旨在最小化所提取特征 $\mathcal{f}(x_s)$ 与 $\mathcal{f}(x_t)$ 之间的分布差异，有效消除工况和设备差异等域特定干扰，同时保留故障的基本特征。随后，利用源域的标注数据训练分类器，最终实现目标域的无监督故障诊断[20]。

**2.2 损失函数的计算**

现有的轴承无监督缺陷诊断模型通常采用一个包含跨域特征分布差异度量和可分性约束的损失函数，如图1所示。其目标可表述为：

$$L = L_{cls} + \lambda \cdot L_{align} \tag{1}$$

其中，$L_{align}$ 用于最小化源域和目标域之间的特征分布差异；典型方法包括MMD[21]和CORAL[22]损失函数：

$$L_{MMD} = \|\mathbb{E}[\phi(f_s)] - \mathbb{E}[\phi(f_t)]\|^2 \tag{2}$$

$$L_{CORAL} = \|C_s - C_t\|_F^2 \tag{3}$$

通过对齐高阶统计量或协方差矩阵来实现特征空间的一致性。

另一方面，对抗学习方法引入域判别器 ??(?) 并定义对抗损失，以隐式逼近跨域分布。
(4) min?? max?? { ??[log ??(????)] + ??[log(1???(????))] }
然而，当前的损失函数主要侧重于统计一致性，并未纳入关于故障信号稀疏效应特征和多尺度结构的显式约束 [23]。分布对齐过程独立于故障模式的固有特性，使得保证对齐特征在后续诊断任务中的有效性变得复杂；此外，在标签有限的情况下，容易发生特征退化和过拟合。本研究为 AD-FHA 架构开发了一种多约束协同优化损失函数，融合了动态域对齐损失、稀疏特征约束损失、多尺度特征一致性损失以及哈希记忆库更新损失。该策略减少了域间分布差异，促进了故障特征的稀疏性和多尺度表示，并通过记忆库限制确保了无监督诊断结果的鲁棒性和可解释性。

3. 提出的方法
本章主要介绍了所提出的 AD-FHA 模型及训练过程，以及受人类知识系统、MSSE 理论和 FHA 诊断方法启发的 ADSF 架构。
下载：下载高分辨率图片 (3MB)
下载：下载全尺寸图片
图 2. AD-FHA 模型。

3.1. AD-FHA 诊断模型
在多种运行工况下，故障信息与运行干扰紧密交织；单尺度特征不足以表征故障模式；且缺乏标记数据导致模型过拟合和可解释性降低。为解决这些技术问题，我们提出了一种受人类知识系统启发的无监督故障诊断方法 (AD-FHA)，集成了视觉扫描和记忆检索属性，如图 2 所示。该模型主要受人眼扫描和大脑中记忆片段检索程序的影响。我们创建了一个受选择性注意力影响的动态稀疏特征提取框架、自适应多尺度稀疏感知增强理论，以及一种源自记忆检索的基于哈希的诊断方法，以在无监督跨运行工况环境下实现高精度故障诊断。各模块的基本设计如下：

1. 本文受人类视觉选择性扫描机制启发，解决了跨运行工况场景下故障判别信息与背景干扰深度交织的挑战，以及常规特征提取中缺乏目标引导和难以识别关键故障模式的问题。我们提出了一种受选择性注意力影响的动态稀疏特征提取结构 (ADSF)。该方法模拟人眼的扫描过程，通过故障显著性引导的动态稀疏卷积和基于二次注意力的过滤进行聚焦、过滤和重新聚焦。动态稀疏卷积 (DSC) 方法促进了对故障敏感模式的定向识别和冗余信息的动态衰减，从而为后续诊断产生具有高度可解释性和鲁棒性的故障特征。

2. 本文提出了自适应多尺度稀疏感知增强 (MSSE) 理论，以解决传统单尺度特征的局限性，特别是其无法同时捕获不同频带的故障影响，以及在多种运行条件下细粒度特征缺乏鲁棒性的问题。通过多尺度分支结构在不同尺度上并行提取故障特征；自适应权重融合机制根据特征能量动态分配分支权重，从而增强了不同损伤程度和影响模式的故障表征，提高了复杂运行工况变化下的特征稳定性和判别力。

3. 本研究提供了一种受记忆检索启发的哈希诊断方法 (FHA)，以解决无监督上下文中的标签稀缺问题、现有分类器过拟合的倾向以及由域偏移导致的分类边界模糊问题。首先，轻量级特征哈希编码设计将增强后的故障特征映射到低维哈希向量；随后，建立并优化标准故障记忆数据库以保留不同故障的典型哈希模板；最后，基于汉明距离执行故障检索和诊断。该技术通过符合物理限制下的记忆库模板对齐高效诊断故障，防止无监督上下文中因训练样本不足导致的过拟合，并保持运行工况变化下诊断结果的鲁棒性。

总之，所提出模型的诊断工作流程简要总结于表 1 所示的伪代码中。随后将介绍 ADSF、MSSE 和 FHA 理论。
表 1. AD-FHA 模型诊断过程。

3.2. ADSF：受选择性注意力启发的动态稀疏特征提取架构

3.2.1. 问题建模
常规卷积神经网络利用全局、均匀加权的计算模型进行轴承问题诊断，在所有频带的振动信号上均匀提取特征。然而，缺陷信息主要 localized 在特征频率及其谐波附近的窄带区域，而大多数其他频带由环境噪声和机械背景振动组成。这种全局计算模式导致处理资源的巨大浪费并产生额外噪声干扰，使得满足工业边缘设备（微控制器、FPGAs）的部署标准变得复杂。
受人视觉系统扫描 - 聚焦选择性注意力过程的启发，我们提供了一种受选择性注意力启发的动态稀疏特征提取 (ADSF) 架构，如图 3 所示。该技术模拟人眼的认知功能，即首先进行快速扫描以识别关键区域，随后集中注意力对这些区域进行深入分析。它仅针对与故障相关的敏感频带启动计算，通过按需激活和消除冗余促进轻量级特征提取，从而提高常规方法的计算效率。
需要注意的是，ADSF 模块的输入是时频特征图 ??∈????????×??×??，其中 ?? 和 ?? 分别是特征图的高度和宽度，??????? 是输入通道数。在本文中，使用短时傅里叶变换 (STFT) [24] 将原始振动信号转换为频谱图作为输入。在这种情况下，?? 对应频带数量，?? 对应时域中的帧数，每个输入通道 ?? 对应特定的频率区间或相邻频率区间的组合。
具体而言，每个振动样本长度为 1024 个点。使用 Hanning 窗进行短时傅里叶变换，窗长为 256，步长为 64，256 点 FFT，产生大小为 129 × 13 的幅值谱，其中 129 代表频率点数量，13 代表时间帧数量。为了构建 ADSF 的输入张量，129 个频率点被分为 ???????=16 个不重叠的频率组，每组包含 ??=8 个频率点，最后一组用零填充。时间维度固定为 ??=13。因此，ADSF 的输入张量为 ??∈?16×8×13。每个通道 ?? 对应一个频率组，?? 维索引表示频率点，?? 维索引表示时间帧。此张量格式在所有实验中统一使用。
下载：下载高分辨率图片 (2MB)
下载：下载全尺寸图片
图 3. 受选择性注意力启发的动态稀疏特征提取架构。

3.2.2. 故障显著性检测模块
故障显著性检测通过量化每个频率点与正常状态的偏差来定位故障敏感频带。设 PSDnormal?(??) 表示相同运行条件下正常轴承的平均功率谱密度 [25]，PSD?(??) 表示待测信号的功率谱密度。然后，第 ?? 个频率点的故障显著性定义为：
(5) ???(??)=|PSD?(??)?PSDnormal?(??)|PSDnormal?(??)+?
这里，?=10?6 是一个为了防止分母变为零而选择的极小值，式 (5) 中的参考正常功率谱密度 PSDnormal?(??) 源自源域中的正常运行条件数据，而非目标域。本文使用源域的正常数据建立参考基线，用于测量目标域信号在每个频率点的偏差程度。该策略不需要目标域的任何标签信息，这与无监督域适应的基本前提一致。只要源域和目标域共享相同的故障类型空间，源域的正常频谱特性即可作为异常检测的有效参考基线。
为了适应不同运行条件下的噪声水平，采用了基于信号方差的自适应阈值：
(6) ??=????+???????
在此背景下，???? 和 ???? 分别表示显著性序列 ???(??) 的均值和标准差，而 ?? 表示显著性系数，在后续试验中设定为 ??=2。???(??)≥?? 的连续频带称为故障敏感带 ?sensitive，其他频带称为冗余带 ?redundant。
特别是，上述正常功率谱密度源自源域，基于源域和目标域的正常频谱特性可迁移的隐含假设——即主要域偏移源于转速和负载等运行条件的变化，而传感器类型和安装位置基本保持一致。当传感器配置或机械结构存在显著差异时，正常谱的共振频带和背景噪声分布可能会发生显著变化。在这种情况下，基于源域参考的故障显著性检测可能会出现频带偏移，影响 FCSF 的筛选效果。为了缓解这一问题，本文使用相对偏差而非绝对阈值来计算显著性，从而为适度的频谱漂移提供了一定的容差。

3.2.3. 动态稀疏卷积 (DSC)
基于故障显著性检测的结果，我们提出了动态稀疏卷积 (DSC) 来模拟人眼的聚焦过程。与传统的全局卷积在所有输入通道和空间位置上进行计算不同，DSC 仅激活对应故障敏感频带输入通道的卷积核。冗余频带中的卷积核权重暂时设为零，不参与前向传播或反向传播。
设输入特征为 ??∈???in×??×??，卷积核为 ??∈???out×??in×??×??。DSC 计算过程如下：
(7) ??sa=???(∑??∈?sensitive??:,??,:,:?????,:,:+??)
这里，? 表示卷积操作，?? 是偏置项，???(?) 是 ReLU 激活函数。典型卷积架构的浮点运算次数 (FLOPs) 为 ??out×??in×??2×??×??，而 DSC 的 FLOPs 为 ??out×|?sensitive|×??2×??×??。这表明在故障诊断任务中，|?sensitive| 通常仅为 ??in 的 10%–20%，因此 DSC 可将卷积层的计算负载减少 80% 以上。

3.2.4. 基于注意力权重的二次筛选
为了进一步消除敏感频带内的冗余特征，设计了一种轻量级通道注意力机制，对提取的特征进行加权过滤。通过学习不同通道的重要性，该机制增强了与故障类型强相关的特征，同时抑制了弱相关的特征：
(8) ?{ {?{ {???=GlobalAvgPool?(???????)??=Sigmoid?(??2?ReLU?(??1???))??′?????=??⊙???????
这里，?? 是全局平均池化后的特征向量，??1∈???in/??in 和 ??2 是两个全连接层的权重（其中 ?? 是压缩比；在后续实验中，使用 ??=16）。符号 ⊙ 表示逐元素相乘，最终输出是具有高判别力的故障敏感特征 ??′?????。ADSF 模块提取的稀疏故障敏感特征 ??′????? 也用于计算域对齐损失 ?????????，通过最小化源域和目标域特征分布之间的 MMD 距离，进一步增强特征的域不变性。
此外，我们将频带与通道之间的映射定义如下：式 (5) 中计算的故障显著性 ???(??) 在每个频率点定义了一个显著性值，故障敏感频带 ??????????????????????????? 由式 (6) 中的阈值检测确定，对应于频谱图中 ?? 维方向上的特定索引位置。这些索引与输入特征图的通道索引一一对应。在式 (7) 的动态稀疏卷积中，求和范围 ??∈??????????????????????????? 确保仅激活对应敏感频带的卷积核，而剩余频带中的核权重设为零。此操作是通过对卷积核应用通道级二值掩模实现的。
在式 (8) 中，??1∈???in/??×??in 和 ??2∈???in×??in/?? 是通道注意力机制中两个全连接层的权重矩阵，其中 ??=16 是实验中采用的压缩比。

3.3.

MSSE：自适应多尺度稀疏感知增强理论

轴承故障产生的振动信号在不同尺度上表现出不同的物理特征：当滚动体经过局部缺陷时，会产生瞬态冲击，在时域上表现为持续时间极短的高频衰减脉冲；与此同时，故障特征频率（如内圈通过频率和外圈通过频率）在较长时域尺度上表现出周期性调制。这两种特征对应不同的时间尺度，单一尺度的卷积难以同时捕捉[26]。为解决这一问题，我们提出了自适应多尺度稀疏感知增强（MSSE）理论，以实现对多尺度故障特征的自适应增强，如图4所示。MSSE采用具有不同感受野的并行分支，分别捕捉瞬态冲击、周期性调制和趋势变化等各种故障模式。

图4. 自适应多尺度稀疏感知增强理论。

3.3.1 多尺度分支结构

构建三个并行轻量卷积分支，在故障敏感频带内进行特征提取：小尺度分支采用1×1卷积，聚焦于瞬态冲击特征；中尺度分支采用3×3空洞卷积（膨胀系数为2），捕捉故障特征频率处的周期性调制模式；大尺度分支采用5×5空洞卷积（膨胀系数为3），提取低频趋势和包络变化。三个分支均采用分组卷积以减少参数量，卷积核数量设置为敏感频带通道数的四分之一。

定义经注意力过滤后的故障敏感特征为 $F'_{sa} \in \mathbb{R}^{C_{sa} \times H \times W}$。三个分支的特征提取过程如下：

$$
\begin{cases}
F_{small} = \sigma(W_{small} \odot_{dilation=1} F'_{sa} + b_{small}) \\
F_{mid} = \sigma(W_{mid} \odot_{dilation=2} F'_{sa} + b_{mid}) \\
F_{large} = \sigma(W_{large} \odot_{dilation=3} F'_{sa} + b_{large})
\end{cases}
$$

其中，$W_{small}$、$W_{mid}$ 和 $W_{large}$ 分别表示各分支中卷积核的权重；$\odot_{dilation}$ 表示空洞卷积[27]；$\sigma(\cdot)$ 表示我们在前序工作中提出的AMReLU激活函数[28]，该函数可根据输入强度动态调整所需斜率。输出特征 $F_{small}$、$F_{mid}$ 和 $F_{large}$ 的维度均为 $\mathbb{R}^{C_{sa}/4 \times H \times W}$。

为定量说明三个分支与轴承故障时间尺度的对应关系，我们以CWRU数据集为例：采样频率为12 kHz，短时傅里叶变换（STFT）窗口长度为256点（约21.3 ms），步长为64点（约5.33 ms）。小尺度分支采用1×1卷积，有效感受野为1×1，对应于单个STFT窗口内的瞬态冲击，时间尺度约为21.3 ms。中尺度分支采用膨胀系数为2的3×3空洞卷积，有效感受野为5×5，在时间维度上覆盖5帧，对应时间尺度约为48 ms。大尺度分支采用膨胀系数为3的5×5空洞卷积，有效感受野为13×13，覆盖全部13个时间帧，对应时间尺度约为91 ms。以外圈故障在1750 rpm工况为例，故障特征频率约为100 Hz，冲击周期约为10 ms。小尺度分支捕捉单次冲击，中尺度分支覆盖数个冲击周期，大尺度分支反映整体包络趋势。上述定量关系表明，三个分支分别对应冲击、调制和趋势三个时间尺度，这与轴承故障的物理特征相一致。

为保持计算效率，对多尺度分支施加动态稀疏约束：仅当敏感频带内的特征显著性 $S(f) \geq 1.2\theta$（其中 $\theta$ 为阈值）时，才激活对应的卷积核；否则权重置零，进一步降低计算负载。

3.3.2 多尺度融合

为考虑不同工况下多尺度特征重要性的差异，设计了自适应权重融合机制，根据各分支特征的激活强度分配融合权重。具体而言，通过全局平均池化获取各分支的激活强度向量；这些向量衡量了当前样本中各尺度特征的响应水平，作为特征重要性的代理。自适应权重通过轻量全连接层和Softmax函数计算得到：

$$
\begin{cases}
z_{small} = GlobalAvgPool(F_{small}) \\
z_{mid} = GlobalAvgPool(F_{mid}) \\
z_{large} = GlobalAvgPool(F_{large})
\end{cases}
$$

$$
\begin{cases}
z_{concat} = Concat(z_{small}, z_{mid}, z_{large}) \\
W_{fusion} = Softmax(W_f \cdot z_{concat} + b_f)
\end{cases}
$$

其中，$z_{concat}$ 表示向量拼接结果，$W_f$ 和 $b_f$ 为映射参数，$W_{fusion} = [w_{small}, w_{mid}, w_{large}]$ 为融合权重。

特征融合过程可定义为利用自适应权重对特征进行加权融合，以获得增强特征 $F_{msse}$：

$$
F_{msse} = w_{small} \cdot F_{small} + w_{mid} \cdot F_{mid} + w_{large} \cdot F_{large}
$$

需要注意的是，不同尺度分支的划分是基于故障冲激响应的时间尺度，而非固定频带。小尺度卷积对应冲激持续时间的细尺度结构；中尺度卷积对应故障特征周期的调制变化；大尺度卷积对应较长时域窗口下观测到的包络趋势。三个分支在故障敏感频带内并行计算，核心目标是利用不同感受野捕捉故障信号的多时间尺度行为。

图5. 受记忆检索启发的基于哈希的诊断方法。

3.4 FHA：受记忆检索启发的基于哈希的诊断方法

3.4.1 问题建模

传统故障诊断模型采用包含特征提取、全连接层和Softmax层的分类框架，其中全连接层通常占模型总参数的60%以上，从而成为模型优化的主要约束[29]。此外，全连接层中的矩阵乘法运算计算量庞大，难以满足工业环境中的实时诊断需求。

本节介绍了一种基于特征哈希的故障诊断理论（FHA），灵感来源于人脑对记忆压缩、检索和匹配的认知原理，如图5所示。该技术模仿人脑将复杂信息压缩为记忆片段并随后通过快速匹配加以识别的机制。它通过以下方式替代传统的全连接分类层，同时实现模型优化与快速推理：将高维故障敏感特征压缩为紧凑的二进制哈希码，并通过与标准故障记忆数据库进行汉明距离比较来完成故障诊断。

3.4.2 轻量级特征哈希方案的设计

设计一个仅包含一层的极浅全连接哈希映射，将高维故障敏感特征 $F'_{sa} \in \mathbb{R}^{1 \times C}$ 映射为低维实值向量：

$$
h = \tanh(W_h \cdot F'_{sa} + b_h)
$$

其中，$W_h \in \mathbb{R}^{L \times C}$ 表示哈希映射权重，$b_h \in \mathbb{R}^{1 \times L}$ 表示偏置项，$L$ 为哈希码长度（实验中设为 $L = 32$）。使用tanh激活函数将输出约束在区间 $[-1, 1]$ 内，以便于后续的二值化量化。

使用自适应均值量化将实值向量转换为二进制哈希码：

$$
H(l) = \begin{cases}
1, & h(l) \geq \mu_h \\
0, & h(l) < \mu_h
\end{cases}
$$

在此，$\mu_h$ 表示实值向量 $h$ 的均值。该量化方法无需预设阈值，而是根据不同批次的特征分布进行调整，从而将量化误差降至最低。

构建三元组哈希约束损失，以增强哈希码的判别能力，确保相似故障的哈希码彼此靠近，而不同故障的哈希码尽可能分离：

$$
L_{hash} = \frac{1}{N} \sum_{i=1}^{N} \max(0, d(H_i, H_i^+) - d(H_i, H_i^-) + \gamma)
$$

其中，$H_i$ 表示锚样本的哈希码，$H_i^+$ 表示同类样本的哈希码，$H_i^-$ 表示异类样本的哈希码，$d(\cdot, \cdot)$ 表示汉明距离，$\gamma$ 表示间隔（实验中设为 $\gamma = 1$）。

3.4.3 标准故障记忆数据库的构建与优化

在训练阶段，所有样本通过选择性注意力特征提取和哈希过程转换为标准故障哈希，然后按故障类别分类存储，构建标准故障数据库：

$$
\mathcal{M} = \{\mathcal{M}_1, \mathcal{M}_2, \ldots, \mathcal{M}_{C_{fault}}\}
$$

其中，$\mathcal{M}_c = \{H_c^1, H_c^2, \ldots, H_c^m\}$ 表示第 $c$ 类故障的标准哈希码集合，$C_{fault}$ 表示故障类别总数，$m$ 表示每类故障的标准样本数。为减少记忆库中的冗余信息，采用K-means聚类进行去重：即对每类故障的哈希码进行聚类，保留每个聚类中心的哈希码作为该类别的代表码。该方法在不影响检索精度的前提下压缩了记忆库。

3.4.4 基于汉明距离的故障检测与诊断

在测试阶段，计算待诊断样本的哈希码 $H_{test}$ 与数据库中所有参考码之间的汉明距离；选择平均汉明距离最小的类别作为诊断结果：

$$
\hat{y} = \arg\min_{c=1}^{C_{fault}} \frac{1}{|\mathcal{M}_c|} \sum_{H \in \mathcal{M}_c} d(H_{test}, H)
$$

诊断置信度通过最小平均汉明距离计算得到：

$$
confidence = 1 - \frac{\min_{c=1}^{C_{fault}} \frac{1}{|\mathcal{M}_c|} \sum_{H \in \mathcal{M}_c} d(H_{test}, H)}{L}
$$

当 $confidence < 0.8$ 时，系统将问题识别为疑似未知故障，输出最相似的故障类型及其置信度分数，以供进一步人工调查。模型定义联合损失函数如下：

$$
L_{total} = L_{feature} + \alpha L_{hash} + \beta L_{retrieval} + \gamma L_{msse} + \lambda L_{mmd}
$$

其中，$L_{feature}$ 为特征判别损失，采用交叉熵损失以确保提取的特征具有良好的类别判别力；$L_{hash}$ 为三元组哈希约束损失，确保哈希码的判别能力；$L_{retrieval}$ 为检索匹配损失，采用交叉熵损失以确保从记忆库中检索的准确性；$\alpha$ 和 $\beta$ 为平衡系数。此处 $L_{mmd}$ 为源域与目标域之间的域对齐损失，采用最大均值差异（MMD）度量，如公式(2)所示进行计算，用于对齐ADSF模块提取的稀疏故障敏感特征 $F'_{sa}$。$\lambda$ 为域对齐损失的平衡系数，实验中设为0.1。

4 基于跨域数据集的诊断实验

本章分别使用CWRU和JNU数据集开展了一系列跨域诊断实验、稀疏样本实验、对齐性能实验、可视化实验和消融实验，以验证所提出模型在不同诊断任务和场景下的性能。实验的硬件和软件配置如下：Python 3.12和PyTorch 2.6.0深度学习框架。系统配备32 GB内存，运行Windows 11操作系统，搭载NVIDIA GeForce RTX 5070显卡。

4.1 数据集概述与实验超参数

本章根据实际工程需求选取两个跨域数据集，以评估模型在旋转机械复杂多变工况下的诊断性能，从而检验所提出启发式模型的实际应用效果。所选两个数据集如下：

数据集A：CWRU数据集[30]，由美国凯斯西储大学发布，是缺陷诊断领域的开创性基准数据集。该数据集记录了SKF深沟球轴承在多种负载工况（0–3 HP）和转速条件下的振动信号。它包含四种基本运行状态：正常状态、内圈故障、外圈故障和滚动体故障，并进一步按故障损伤尺寸（0.007/0.014/0.021英寸）细分为10种不同的故障类型。信号采集主要采用12 kHz和48 kHz的采样率，使用布置在驱动端、风扇端和基座的多通道传感器进行数据采集。该数据集精确复制了不同运行环境下的分布偏移，为跨域迁移学习建立了标准化的测试框架。图6展示了轴承测试台。

数据集B：JNU轴承数据集[31]，由江南大学发布，作为波动工况下跨域缺陷识别的辅助基准数据集，旨在模拟更为复杂的实际工业场景。该数据集包含在不同转速（600/800/1000 rpm）下采集的轴承振动信号，涵盖四种运行工况：正常、内圈故障、外圈故障和滚动体故障。故障严重程度与运行速度的相互作用产生了多样化的跨域挑战。数据采集采用51.2 kHz的高采样率，便于检测表明轴承早期缺陷的细微冲击特征。转速变化带来的显著域偏移有效验证了算法在不同设备工况下的泛化能力。图6展示了轴承测试台。

此外，为阐明数据分布及本文所采用的术语，表2展示了两个数据集中转速与负载之间的对应关系。

CWRU数据集包含正常运行状态和每种运行条件下的三种故障状态，每种故障状态分为三个损伤严重等级，共计10种故障类型。下载：下载高分辨率图片（714KB）下载：下载全尺寸图片

图6. CWRU与JNU数据集测试台架。

表2. 实验数据配置与运行条件。

| 数据集 | 域 | 运行条件 | 故障类型 | 故障数量 |
|--------|------|-------------------|-----------------|----------|
| CWRU | C1 | 1730 rpm/负荷3 | 正常/BA/IR/OR | 10 |
| | C2 | 1750 rpm/负荷2 | 正常/BA/IR/OR | 10 |
| | C3 | 1772 rpm/负荷1 | 正常/BA/IR/OR | 10 |
| | C4 | 1797 rpm/负荷0 | 正常/BA/IR/OR | 10 |
| JNU | J1 | 600 rpm | 正常/内圈/外圈/滚动体 | 4 |
| | J2 | 800 rpm | 正常/内圈/外圈/滚动体 | 4 |
| | J3 | 1000 rpm | 正常/内圈/外圈/滚动体 | 4 |

所有实验的超参数定义如下：训练使用Adam优化器进行300个epoch，批大小为64。初始学习率设为1×10??，每50个epoch衰减为原来的0.2倍，每个实验的结果为五次迭代的平均值。所采用的评估指标包括准确率、精确率、召回率和F1分数[32][33]。

对于数据预处理，所有振动信号首先使用Z-score进行标准化。采用滑动窗口方法提取样本，窗口长度为1024个数据点，步长为512，相邻窗口之间有50%的重叠。每个窗口被视为一个独立样本。需要注意的是，在划分数据集时，首先在原始记录级别对滑动窗口进行划分；随后，从同一原始记录生成的所有窗口样本统一分配到训练集或测试集中，以确保同一原始记录的样本不会同时出现在训练集和测试集中。所有实验重复五次，随机种子设为1到5，以确保跨域诊断实验的可靠性和泛化评估的有效性。

此外，为确保对比实验的公平性，所有方法均训练300个epoch，并采用早停策略——当验证损失连续20个epoch未下降时终止训练；各基线方法的超参数在其原始文献推荐的范围内进行网格搜索，并在同一验证集上选择最优配置。除AD-FHA外，所有对比方法共享相同的骨干特征提取网络，以隔离所提出启发式模块的影响。

4.2 DSC计算参数的合理性论证

为验证所提出的DSC的实际计算效率，本文基于三个指标对标准卷积与DSC进行了比较：参数量、理论计算复杂度和实测推理时间。结果如图7所示。

在理论计算复杂度方面，取 Cin=64，H=128，W=128，Cout=128，k=3，标准卷积的FLOPs约为128×64×32×128×128=1.21 G。而对于DSC，假设敏感通道占比约为25%，则FLOPs约为128×16×32×128×128=0.30 G，减少了约75.2%。在实际推理时间方面，标准卷积在GPU上耗时2.2 ms，而DSC耗时0.65 ms，加速比约为3.4倍；在CPU上，标准卷积耗时38.4 ms，而DSC耗时11.2 ms，加速比约为3.4倍。在参数量方面，DSC实际参与计算的参数量随敏感通道比例动态变化，但其内存占用与标准卷积相同（0.074M）。实验从三个指标共同验证了DSC在保持诊断精度的同时有效降低计算开销的有效性。

下载：下载高分辨率图片（227KB）下载：下载全尺寸图片

图7. 计算参数量对比。

4.3 参数联合显著性分析

为全面评估显著性阈值系数k和哈希码长度L对模型诊断性能的影响，本文使用CWRU数据集中的C12跨域任务进行了联合敏感性分析。我们将k从0.5到4.0以0.25为步长变化，L从8到64以8为步长变化，记录每组参数组合下的诊断准确率。结果如图8所示。

如图中的实验结果所示，最优参数组合位于k≈2.0、L≈40附近，最大准确率为94.27%。在k从1.5到3.0、L从24到56的范围内，准确率稳定在92%以上，表明模型在较宽的参数范围内具有良好的鲁棒性。相比之下，k对性能的影响更为显著，而L一旦超过24便趋于平稳，进一步增加码长仅带来有限的收益。这些结果也验证了后续实验中默认参数设置（k=2.0，L=32）的合理性。

下载：下载高分辨率图片（398KB）下载：下载全尺寸图片

图8. 参数联合显著性分析结果。

需要注意的是，尽管敏感性分析中的最优准确率出现在L≈40附近，但本文仍选择L=32作为默认哈希码长度。原因是两者准确率差异可忽略不计：L=32时准确率为94.24%，L=40时为94.27%，仅相差0.03个百分点。此外，当L超过24时性能已趋于平稳，进一步增加码长仅带来有限收益。而且，32位哈希码可直接存储为标准32位整数，便于位运算和快速汉明距离计算，具有更高的内存对齐效率；而40位码需要额外存储空间，且破坏了自然对齐。因此，L=32在诊断性能与计算/存储开销之间取得了更好的平衡，更适合部署在资源受限的工业边缘设备上。

为验证DSC动态稀疏卷积中激活通道的实际比例，本文计算了C12跨域任务中不同类型故障样本的激活通道比例。激活通道比定义为激活通道数与总输入通道数之比。实验选取了四种类型的样本：正常状态、内圈故障、外圈故障和滚动体故障。每类分析200个样本，记录其最小值、下四分位数、中位数、上四分位数、最大值和均值。结果如图9所示。

正常条件下的平均激活比仅为12.5%，而故障样本的激活比在21.8%到23.6%之间，表明DSC能够根据信号中是否存在故障冲击自适应地调整敏感通道数量。故障样本的激活比分布范围较广，但最大值31.2%仍未超过总通道数的三分之一。与标准卷积相比，DSC显著降低了实际计算负载，验证了其动态稀疏性所带来的计算优势。

下载：下载高分辨率图片（292KB）下载：下载全尺寸图片

图9. DSC动态稀疏卷积的实际激活通道比。

此外，为验证MSSE模块中三并行分支设计的合理性，本节继续基于C12跨域任务比较不同并行分支数量对诊断性能的影响。实验设置包含2、3、4和5个分支，每个分支的卷积核尺寸按比例调整（2尺度：1×1，5×5；3尺度：1×1，3×3，5×5；4尺度：1×1，3×3，5×5，7×7；5尺度：1×1，3×3，5×5，7×7，9×9）。结果如表3所示。

如表中所示，3尺度配置取得了最高准确率（94.24%），优于2尺度（91.81%）、4尺度（93.71%）和5尺度（93.44%）的实验配置。F1分数也呈现相同趋势；实验表明2尺度配置无法同时捕捉冲击、调制和趋势三种物理现象。增加第四或第五尺度所引入的冗余感受野并未提供额外的判别信息，且可能略微增加过拟合风险。上述实验结果也再次肯定了本文所提出的三尺度分支选择的合理性。

表3. 多尺度分支显著性分析（MSSE）

| 分支数量 | 卷积核配置 | 准确率(%) | F1分数(%) |
|---------|---------------------------|-----------|-----------|
| 2 | 1×1, 5×5 | 91.81 | 91.57 |
| 3 | 1×1, 3×3, 5×5 | 94.24 | 94.18 |
| 4 | 1×1, 3×3, 5×5, 7×7 | 93.71 | 93.86 |
| 5 | 1×1, 3×3, 5×5, 7×7, 9×9 | 93.44 | 93.22 |

4.4 跨域故障诊断实验

为评估本文提出的AD-FHA模型的跨域诊断效果，我们选择了一组已建立的创新诊断方法进行对比，具体如下：

1. MMD[34]：最大均值距离是跨域故障诊断中用于衡量源域与目标域特征分布差异的典型度量方法。它通常作为核心损失函数，用于最小化域间分布距离，从而学习域不变的故障特征。

2. DANN[35]：域对抗神经网络通过引入域判别器和梯度反传层构建对抗学习框架，使特征提取器能够学习对域变化不敏感的特征表示，从而实现跨域故障诊断。

3. CDAN[36]：条件域对抗网络在DANN的基础上引入条件对抗机制，将特征表示和分类预测联合输入域判别器，从而实现更精细的类别条件分布对齐。

4. DSAN[37]：深度子域自适应网络使用局部最大均值差异对不同类别的子域分布进行对齐，实现类别级特征对齐，以增强跨域故障诊断性能。

5. MCD[38]：最大分类器差异方法构建两个分类器并最大化其在目标域上的预测差异，然后通过特征提取器最小化该差异，从而实现源域和目标域之间特征分布的有效对齐。

6. MSDAN[39]：一种多源域自适应网络，利用多个源域中的互补信息来对齐目标域分布，从而提高复杂运行条件下无监督故障诊断的泛化性能。

7. SHOT[40]：源假设迁移方法通过固定源域分类器并使用目标域数据进行自监督训练，在不使用源数据的情况下实现无监督域自适应。

8. MDD[41]：边际差异度量方法通过最大化再最小化分类边界之间的差异来量化源域与目标域之间的分布偏移，从而实现具有理论泛化保证的域自适应学习。

首先，我们在不存在跨域影响的条件下降进行了轴承故障诊断实验，旨在评估所提出的模型和基线模型在理想条件下的诊断性能。该实验在CWRU和JNU数据集上进行，每类选取200个样本。诊断实验结果如图10所示：

如上所述的实验结果所示，所有对比模型在CWRU数据集上均表现良好，诊断准确率在约83%到92%之间，而所提出的AD-FHA模型展现了卓越的诊断准确率，两项指标均超过97%。基于JNU数据集的一系列实验也揭示了其优越的诊断能力，初步验证了所提出的启发式模型在理想条件下具有出色的诊断精度。

下载：下载高分辨率图片（705KB）下载：下载全尺寸图片

图10. 使用JNU和SEU数据集的无监督跨域实验结果。

然而，在实际工程条件下，大多数旋转机械的运行工况复杂且耦合，有效样本和标签稀缺，这对模型在跨工况诊断任务中的精度性能提出了更高要求。因此，我们在跨运行工况条件下进行了无监督故障诊断实验，以展示模型设计的有效性。我们定义了C12诊断任务，以运行条件1作为源域、运行条件2作为目标域进行实验；其余任务遵循相同原则。表4、表5展示了实验结果。

（1）CWRU数据集：表4中所示的实验结果表明，尽管许多对比模型在非跨域故障诊断任务中表现出色，但其在跨域任务中的诊断准确率明显下降。例如，CDAN和MCD等模型在C12任务中的诊断指标下降至70%以下，而在更为复杂的C14任务中，其准确率更是骤降至61.38%和58.26%——显然远不能满足实际应用标准。

本研究提出了AD-FHA模型，该模型利用碎片化记忆检索机制和多尺度稀疏增强理论，使其能够跨域学习更深层次的规律并将其转化为记忆片段。因此，在极具挑战性的C14诊断测试中，该模型达到了88.32%的准确率和87.74%的F1分数，在跨域场景中表现出显著优越的诊断精度。在C23和J32任务中，AD-FHA与第二优方法UMAN的准确率差距较小；然而，在两种情况下，AD-FHA的标准差（C23：0.17，J32：0.21）均低于UMAN（C23：0.32，J32：0.09），表明所提模型的性能优势具有良好的稳定性和可重复性。

表4 CWRU数据集上各项指标分布（%）

指标 | 任务 | MMD | DANN | CDAN | DSAN | MCD | MSDAN | SHOTMDD | AD-FHA
准确率 | C12 | 74.18 ± 0.85 | 81.56 ± 0.76 | 69.12 ± 0.88 | 68.25 ± 0.43 | 66.35 ± 0.79 | 80.42 ± 0.68 | 70.51 ± 0.55 | 88.53 ± 0.34 | 94.15 ± 0.13
| C13 | 69.24 ± 0.81 | 77.32 ± 0.73 | 65.74 ± 0.83 | 64.19 ± 0.41 | 62.41 ± 0.75 | 76.18 ± 0.64 | 66.82 ± 0.52 | 83.97 ± 0.32 | 91.46 ± 0.18
| C14 | 64.37 ± 0.77 | 72.85 ± 0.69 | 61.38 ± 0.79 | 59.74 ± 0.39 | 58.26 ± 0.71 | 71.63 ± 0.60 | 62.94 ± 0.49 | 79.14 ± 0.30 | 88.32 ± 0.22
| C23 | 69.95 ± 0.82 | 77.98 ± 0.74 | 66.15 ± 0.84 | 64.91 ± 0.42 | 63.02 ± 0.76 | 76.86 ± 0.65 | 67.45 ± 0.53 | 84.65 ± 0.33 | 91.85 ± 0.17
| C24 | 65.42 ± 0.78 | 73.91 ± 0.70 | 62.15 ± 0.80 | 60.68 ± 0.40 | 59.14 ± 0.72 | 72.71 ± 0.61 | 63.87 ± 0.50 | 80.25 ± 0.31 | 88.97 ± 0.21
| C34 | 69.43 ± 0.81 | 77.46 ± 0.73 | 65.83 ± 0.83 | 64.53 ± 0.41 | 62.68 ± 0.75 | 76.42 ± 0.64 | 67.11 ± 0.52 | 84.18 ± 0.32 | 91.53 ± 0.18
| 平均 | 68.87 ± 0.80 | 76.85 ± 0.71 | 65.08 ± 0.82 | 63.72 ± 0.40 | 61.98 ± 0.74 | 75.70 ± 0.62 | 66.45 ± 0.51 | 83.46 ± 0.31 | 91.05 ± 0.20
精确率 | C12 | 72.73 ± 0.86 | 80.37 ± 0.75 | 69.58 ± 0.89 | 66.88 ± 0.42 | 66.62 ± 0.80 | 79.20 ± 0.67 | 69.14 ± 0.55 | 87.18 ± 0.33 | 93.09 ± 0.12
| C13 | 67.81 ± 0.82 | 76.14 ± 0.72 | 66.19 ± 0.84 | 62.86 ± 0.40 | 62.67 ± 0.76 | 74.98 ± 0.63 | 65.47 ± 0.52 | 82.64 ± 0.31 | 90.41 ± 0.17
| C14 | 63.01 ± 0.78 | 71.70 ± 0.68 | 61.82 ± 0.80 | 58.45 ± 0.38 | 58.52 ± 0.72 | 70.47 ± 0.59 | 61.62 ± 0.48 | 77.85 ± 0.29 | 87.30 ± 0.21
| C23 | 68.58 ± 0.83 | 76.86 ± 0.73 | 66.62 ± 0.85 | 63.61 ± 0.41 | 63.29 ± 0.77 | 75.70 ± 0.64 | 66.12 ± 0.53 | 83.35 ± 0.32 | 90.82 ± 0.16
| C24 | 64.03 ± 0.79 | 72.77 ± 0.69 | 62.59 ± 0.81 | 59.39 ± 0.39 | 59.40 ± 0.73 | 71.55 ± 0.60 | 62.54 ± 0.49 | 78.97 ± 0.30 | 87.95 ± 0.20
| C34 | 68.12 ± 0.82 | 76.38 ± 0.72 | 66.28 ± 0.84 | 63.27 ± 0.41 | 62.96 ± 0.76 | 75.28 ± 0.63 | 65.81 ± 0.52 | 82.90 ± 0.32 | 90.50 ± 0.17
| 平均 | 67.38 ± 0.81 | 75.70 ± 0.70 | 65.51 ± 0.83 | 62.41 ± 0.39 | 62.24 ± 0.75 | 74.53 ± 0.61 | 65.12 ± 0.50 | 82.15 ± 0.30 | 90.01 ± 0.19
召回率 | C12 | 73.83 ± 0.88 | 81.41 ± 0.77 | 70.61 ± 0.91 | 68.01 ± 0.43 | 67.65 ± 0.82 | 80.35 ± 0.69 | 70.24 ± 0.57 | 88.24 ± 0.34 | 93.98 ± 0.13
| C13 | 68.82 ± 0.84 | 77.17 ± 0.74 | 67.15 ± 0.86 | 63.93 ± 0.41 | 63.68 ± 0.78 | 76.09 ± 0.65 | 66.56 ± 0.54 | 83.79 ± 0.32 | 91.30 ± 0.18
| C14 | 64.01 ± 0.80 | 72.70 ± 0.70 | 62.32 ± 0.82 | 59.57 ± 0.39 | 59.53 ± 0.74 | 71.55 ± 0.61 | 62.69 ± 0.51 | 78.97 ± 0.30 | 88.17 ± 0.22
| C23 | 69.57 ± 0.85 | 77.85 ± 0.75 | 67.58 ± 0.87 | 64.67 ± 0.42 | 64.28 ± 0.79 | 76.79 ± 0.66 | 67.20 ± 0.55 | 84.48 ± 0.33 | 91.70 ± 0.17
| C24 | 65.07 ± 0.81 | 73.77 ± 0.71 | 63.10 ± 0.83 | 60.52 ± 0.40 | 60.45 ± 0.75 | 72.63 ± 0.62 | 63.63 ± 0.52 | 80.08 ± 0.31 | 88.82 ± 0.21
| C34 | 69.08 ± 0.84 | 77.35 ± 0.74 | 67.22 ± 0.86 | 64.29 ± 0.41 | 63.62 ± 0.78 | 76.36 ± 0.65 | 66.88 ± 0.54 | 84.02 ± 0.32 | 91.38 ± 0.18
| 平均 | 68.40 ± 0.82 | 76.71 ± 0.72 | 66.33 ± 0.84 | 63.50 ± 0.40 | 63.20 ± 0.76 | 75.63 ± 0.63 | 66.20 ± 0.53 | 83.26 ± 0.31 | 90.89 ± 0.20
F1分数 | C12 | 73.28 ± 0.86 | 80.88 ± 0.76 | 70.09 ± 0.90 | 67.44 ± 0.42 | 67.13 ± 0.81 | 79.77 ± 0.68 | 69.69 ± 0.56 | 87.71 ± 0.33 | 93.53 ± 0.13
| C13 | 68.31 ± 0.82 | 76.75 ± 0.73 | 66.67 ± 0.85 | 63.39 ± 0.40 | 63.17 ± 0.77 | 75.53 ± 0.64 | 66.01 ± 0.53 | 83.21 ± 0.31 | 90.88 ± 0.17
| C14 | 63.51 ± 0.78 | 72.27 ± 0.69 | 62.07 ± 0.81 | 59.01 ± 0.38 | 59.02 ± 0.73 | 71.01 ± 0.60 | 62.15 ± 0.49 | 78.41 ± 0.29 | 87.74 ± 0.21
| C23 | 69.07 ± 0.83 | 77.35 ± 0.74 | 67.10 ± 0.86 | 64.14 ± 0.41 | 63.79 ± 0.78 | 76.25 ± 0.65 | 66.66 ± 0.54 | 83.92 ± 0.32 | 91.26 ± 0.16
| C24 | 64.55 ± 0.79 | 73.37 ± 0.70 | 62.85 ± 0.82 | 59.95 ± 0.39 | 59.92 ± 0.74 | 72.09 ± 0.61 | 63.08 ± 0.50 | 79.52 ± 0.30 | 88.38 ± 0.20
| C34 | 68.60 ± 0.82 | 76.86 ± 0.73 | 66.75 ± 0.85 | 63.78 ± 0.41 | 63.29 ± 0.77 | 75.82 ± 0.64 | 66.34 ± 0.53 | 83.46 ± 0.32 | 90.94 ± 0.17
| 平均 | 67.89 ± 0.81 | 76.25 ± 0.71 | 65.92 ± 0.83 | 63.00 ± 0.39 | 62.72 ± 0.75 | 75.08 ± 0.62 | 65.66 ± 0.51 | 82.72 ± 0.30 | 90.46 ± 0.19

（2）JNU数据集：表5所示的实验结果表明，对比模型具有与CWRU数据集中观察到的相似诊断性能。在某些更具挑战性的跨域任务中，如J31，MMD、DSAN和MCD等对比模型诊断指标低于60%，这意味着在应对复杂的跨域挑战时，其诊断效能显著下降。相反，本文提出的AD-FHA模型在JNU数据集上表现出卓越的跨域适应性，在J31任务上达到了86.88%的准确率和86.11%的诊断精度，从而再次证实了启发式模型在复杂的跨域挑战中的优势。

表5 JNU数据集上各项指标分布（%）

指标 | 任务 | MMD | DANN | CDAN | DSAN | MCD | MSDAN | SHOTMDD | AD-FHA
准确率 | J12 | 77.36 ± 0.91 | 84.57 ± 0.82 | 71.45 ± 0.94 | 70.52 ± 0.47 | 69.12 ± 0.85 | 83.25 ± 0.74 | 73.18 ± 0.60 | 91.23 ± 0.38 | 94.25 ± 0.13
| J13 | 59.84 ± 0.75 | 74.01 ± 0.86 | 75.73 ± 0.72 | 63.95 ± 0.39 | 60.78 ± 0.87 | 79.87 ± 0.55 | 68.57 ± 0.74 | 80.25 ± 0.44 | 86.39 ± 0.36
| J21 | 74.01 ± 0.93 | 87.12 ± 0.72 | 69.94 ± 0.84 | 60.23 ± 0.50 | 71.25 ± 0.76 | 83.35 ± 0.65 | 74.93 ± 0.67 | 87.89 ± 0.32 | 93.57 ± 0.20
| J23 | 86.31 ± 0.66 | 89.90 ± 0.60 | 64.27 ± 0.71 | 77.71 ± 0.54 | 72.45 ± 0.70 | 82.90 ± 0.58 | 82.73 ± 0.75 | 94.04 ± 0.40 | 94.19 ± 0.15
| J31 | 56.73 ± 0.78 | 72.91 ± 0.92 | 75.17 ± 0.74 | 57.51 ± 0.55 | 58.53 ± 0.91 | 81.80 ± 0.53 | 69.32 ± 0.80 | 77.47 ± 0.63 | 86.88 ± 0.43
| J32 | 87.32 ± 0.72 | 91.21 ± 0.78 | 62.90 ± 0.92 | 81.97 ± 0.68 | 73.52 ± 0.59 | 82.21 ± 0.66 | 84.17 ± 0.71 | 93.79 ± 0.31 | 92.99 ± 0.21
| 平均 | 73.68 ± 0.78 | 83.11 ± 0.79 | 69.50 ± 0.80 | 68.97 ± 0.52 | 67.61 ± 0.78 | 82.21 ± 0.62 | 75.48 ± 0.71 | 87.42 ± 0.41 | 91.41 ± 0.24
精确率 | J12 | 75.82 ± 0.91 | 83.21 ± 0.78 | 71.97 ± 0.94 | 69.15 ± 0.44 | 69.42 ± 0.85 | 82.06 ± 0.70 | 71.77 ± 0.60 | 89.91 ± 0.36 | 93.19 ± 0.12
| J13 | 58.27 ± 0.73 | 72.53 ± 0.86 | 74.25 ± 0.70 | 64.37 ± 0.39 | 59.51 ± 0.88 | 78.61 ± 0.53 | 67.41 ± 0.74 | 79.07 ± 0.42 | 85.03 ± 0.36
| J21 | 72.47 ± 0.92 | 85.71 ± 0.69 | 70.37 ± 0.84 | 58.81 ± 0.48 | 69.85 ± 0.77 | 81.99 ± 0.63 | 73.52 ± 0.67 | 86.57 ± 0.30 | 92.25 ± 0.19
| J23 | 84.87 ± 0.67 | 88.60 ± 0.58 | 64.70 ± 0.72 | 76.31 ± 0.51 | 71.21 ± 0.71 | 81.47 ± 0.56 | 81.32 ± 0.76 | 92.73 ± 0.38 | 92.93 ± 0.14
| J31 | 55.37 ± 0.79 | 71.57 ± 0.89 | 73.90 ± 0.74 | 56.30 ± 0.52 | 57.31 ± 0.92 | 80.10 ± 0.51 | 68.20 ± 0.81 | 76.23 ± 0.62 | 85.51 ± 0.43
| J32 | 85.94 ± 0.73 | 89.91 ± 0.75 | 63.27 ± 0.93 | 80.37 ± 0.64 | 72.13 ± 0.59 | 80.95 ± 0.63 | 82.72 ± 0.72 | 92.50 ± 0.29 | 91.72 ± 0.21
| 平均 | 72.09 ± 0.79 | 81.80 ± 0.76 | 69.71 ± 0.81 | 67.61 ± 0.50 | 66.61 ± 0.79 | 80.82 ± 0.60 | 74.07 ± 0.72 | 86.09 ± 0.39 | 90.02 ± 0.24
召回率 | J12 | 76.93 ± 0.93 | 84.15 ± 0.80 | 73.01 ± 0.96 | 70.18 ± 0.46 | 70.43 ± 0.87 | 83.19 ± 0.72 | 72.91 ± 0.62 | 90.97 ± 0.37 | 94.07 ± 0.13
| J13 | 59.40 ± 0.75 | 73.60 ± 0.88 | 75.37 ± 0.72 | 65.34 ± 0.41 | 60.47 ± 0.90 | 79.63 ± 0.55 | 68.43 ± 0.76 | 80.04 ± 0.43 | 86.07 ± 0.38
| J21 | 73.65 ± 0.94 | 86.79 ± 0.71 | 71.42 ± 0.86 | 59.70 ± 0.50 | 70.90 ± 0.79 | 83.10 ± 0.65 | 74.66 ± 0.69 | 87.64 ± 0.31 | 93.41 ± 0.21
| J23 | 85.90 ± 0.68 | 89.63 ± 0.60 | 65.67 ± 0.74 | 77.37 ± 0.54 | 72.19 ± 0.72 | 82.63 ± 0.58 | 82.45 ± 0.78 | 93.74 ± 0.40 | 93.97 ± 0.16
| J31 | 56.34 ± 0.81 | 72.57 ± 0.91 | 74.84 ± 0.76 | 57.14 ± 0.54 | 58.22 ± 0.94 | 81.57 ± 0.53 | 69.07 ± 0.83 | 77.22 ± 0.63 | 86.70 ± 0.45
| J32 | 86.90 ± 0.74 | 90.93 ± 0.77 | 64.12 ± 0.95 | 81.62 ± 0.67 | 73.19 ± 0.61 | 81.97 ± 0.66 | 83.89 ± 0.74 | 93.53 ± 0.30 | 92.83 ± 0.23
| 平均 | 73.21 ± 0.81 | 82.77 ± 0.78 | 70.71 ± 0.83 | 68.61 ± 0.53 | 67.27 ± 0.81 | 81.97 ± 0.62 | 75.20 ± 0.74 | 87.14 ± 0.41 | 91.32 ± 0.26
F1分数 | J12 | 76.37 ± 0.91 | 83.68 ± 0.79 | 72.48 ± 0.94 | 69.66 ± 0.45 | 69.92 ± 0.86 | 82.62 ± 0.71 | 72.33 ± 0.61 | 90.43 ± 0.36 | 93.63 ± 0.13
| J13 | 58.83 ± 0.74 | 73.06 ± 0.87 | 74.80 ± 0.71 | 64.85 ± 0.40 | 60.00 ± 0.89 | 79.13 ± 0.54 | 67.91 ± 0.75 | 79.55 ± 0.42 | 85.55 ± 0.37
| J21 | 73.05 ± 0.93 | 86.24 ± 0.70 | 70.90 ± 0.85 | 59.29 ± 0.49 | 70.37 ± 0.78 | 82.51 ± 0.64 | 74.06 ± 0.68 | 87.10 ± 0.31 | 92.83 ± 0.20
| J23 | 85.38 ± 0.68 | 89.11 ± 0.59 | 65.18 ± 0.73 | 76.83 ± 0.52 | 71.72 ± 0.72 | 82.00 ± 0.57 | 81.87 ± 0.77 | 93.24 ± 0.39 | 93.44 ± 0.15
| J31 | 55.92 ± 0.80 | 72.07 ± 0.90 | 74.36 ± 0.75 | 56.80 ± 0.53 | 57.80 ± 0.93 | 80.61 ± 0.52 | 68.72 ± 0.82 | 76.74 ± 0.62 | 86.11 ± 0.44
| J32 | 86.49 ± 0.73 | 90.40 ± 0.76 | 63.72 ± 0.94 | 80.97 ± 0.66 | 72.64 ± 0.60 | 81.47 ± 0.64 | 83.27 ± 0.73 | 93.01 ± 0.29 | 92.27 ± 0.22
| 平均 | 72.64 ± 0.80 | 82.34 ± 0.77 | 70.27 ± 0.82 | 68.10 ± 0.51 | 67.12 ± 0.80 | 81.38 ± 0.61 | 74.60 ± 0.73 | 86.64 ± 0.40 | 90.67 ± 0.25

图11和图12展示了使用CWRU和JNU数据集的各模型跨域实验结果对比分析。本文提出的AD-FHA模型在每个数据集的所有跨域任务中均达到了最高的诊断指标，再次证实了该模型在复杂的跨域无监督故障诊断任务中卓越且一致的诊断性能，表明其在工程应用中具有增强的适用性。

下载：下载高分辨率图像（493KB） 下载：下载原尺寸图像
图11 CWRU数据集上的无监督跨域实验结果。

下载：下载高分辨率图像（607KB） 下载：下载原尺寸图像
图12 JNU数据集上的无监督跨域实验结果。

4.5 稀疏样本实验

在无监督跨域诊断任务中，模型评估可能在样本极为有限的条件下进行。因此，除确认模型在跨域任务中的诊断效能外，我们还执行了有限样本条件下的无监督跨域实验，以评估模型在此类场景中的诊断精度。

本节的实验设置在各难度的不同跨域任务中统一进行，包括C12、C14、J12和J31。完整模型每类特征为200个样本，样本完整度从100%系统性递减至10%，以评估模型在极端场景下的性能。本部分的评估标准为准确率，实验结果如图13和图14所示。

图13展示了CWRU数据集C12任务的稀疏样本测试结果，表明特定的对比模型，包括DANN和MSDAN，在全样本场景下达到超过80%的诊断准确率。然而，当样本完整度降至10%时，模型的诊断准确率显著下降至67.29%和65.31%。在更具挑战性的C14任务中，模型准确率的下降尤为显著。

下载：下载高分辨率图像（670KB） 下载：下载原尺寸图像
图13 基于C12和C14跨域任务的稀疏样本诊断结果。

下载：下载高分辨率图像（925KB） 下载：下载原尺寸图像
图14 基于J12和J31跨域任务的稀疏样本诊断结果。

相反，所提AD-FHA模型凭借其先进的特征提取和独特的记忆匹配过程，受样本完整度的影响明显较小。在复杂的C14诊断任务中，该模型在10%样本完整度下达到了79.33%的准确率。实验表明，即使在样本极度稀疏且特征高度相互依赖的场景中，该模型仍能保持优异的诊断性能。

在JNU数据集中复杂的J12和J31诊断任务中，所提模型分别达到了89.25%和83.63%的平均诊断准确率，从而进一步证实了所提启发式方法的优异工程应用价值。

4.6 对齐性能实验

在无监督故障诊断任务中，模型的对齐性能对诊断精度和学习域不变故障特征的能力至关重要。本文提出的AD-FHA模型采用独特的记忆检索启发的诊断方法；因此，我们进行了一项对齐性能实验，选取表6所示的对比模型：

本节中，我们使用相对具有挑战性的JNU数据集进行对齐性能实验。图15展示了实验结果。本节选取的指标为准确率和F1分数。从结果可以看出：

表6 对齐性能实验对比及模型选择

标签 | 对比方法 | 对齐原理
1 | MMD [42] | 通过最大均值差异最小化域间分布偏差
2 | DANN [43] | 采用对抗训练对齐跨域特征分布
3 | ADDA [44] | 通过将两个域映射到共享的潜在空间实现域对齐
4 | FCL [45] | 平衡类间发散与类内收敛以实现特征对齐
5 | GFK [46] | 通过域间几何变换优化特征表示
6 | CL [47] | 通过类中心约束类内距离以优化特征分布
7 | WD [48] | 基于最优传输距离实现域对齐
8 | Coral [49] | 通过协方差矩阵正则化对齐跨域特征
9 | AD-FHA | 本文所述的启发式模型

在上述六项跨域对齐实验中，所提AD-FHA模型依赖于稀疏特征模块自适应地滤除运行干扰成分，从而减少域间固有的分布差异。同时，哈希记忆检索施加的模式约束进一步压缩了域内相似特征的分布，有效地最小化了无监督条件下源域与目标域之间的偏移。因此，该模型在多项跨域任务中达到了领先的对齐精度，平均准确率和F1分数分别达到90.49%和89.97%，已满足大多数对齐场景的要求。

下载：下载高分辨率图像（496KB） 下载：下载原尺寸图像
图15 对齐性能测试结果。

为直观展示所提模型在相对具有挑战性的对齐任务中的诊断对齐性能，我们基于本研究进行了后续的对齐性能实验，以J12跨域任务为基准。

每个模型的实验结果如图 16 所示：图中显示的实验结果表明，在转速变化极小的 J12 对齐任务中，所有模型均表现出令人满意的对齐精度。在对某些缺陷进行对齐时会出现失败情况，例如在正常状态（Normal）与滚动体故障（Ball）之间。这表明这些模型在跨域任务中未能获得足够的对齐性能。
下载：下载高分辨率图像 (2MB) 下载：下载全尺寸图像
图 16. J12 跨域任务域适应和对齐的实验结果。
相反，所提出的 AD-FHA 模型在对齐任务中表现出增强的诊断精度。该模型在源域和目标域中针对所有四种故障类别均实现了精确对齐，进一步说明了启发式模型提取跨域特征的显著能力。为了评估每个模型在更复杂的跨域场景中的对齐效果，我们以 J31 跨域任务为参考点继续进行此实验。结果如图 17 所示。
在更能准确复制实际工作条件的 J31 诊断测试中，不同对比模型的对齐性能明显下降。由于速度相关特征存在显著差异，几个模型（即 ADDA 和 CL）完全未能对齐特定类型的特征，使其极不适合工程应用。
下载：下载高分辨率图像 (2MB) 下载：下载全尺寸图像
图 17. J31 跨域任务域适应和对齐的实验结果。
相反，本研究提出的 AD-FHA 模型利用其独特的知识启发架构，具有增强的学习独立于工作条件特征的能力。因此，除了内圈（Inner）和外圈（Outer）故障存在微小的对齐差异外，整体诊断精度仍然令人满意。研究还表明，本研究提出的 AD-FHA 模型在极具挑战性的跨域设置下显示出优越的诊断性能，并且可以适应更广泛的工程场景。

4.7. 可视化实验
为了更直观地展示所提出的 AD-FHA 模型在实际诊断任务中的性能，我们进行了一项可视化实验，主要包括混淆矩阵和 T-SNE 降维可视化 [50]。实验在跨域任务 C12 和 J12 上进行，结果如图 18 和图 19 所示。
实验结果与第 4.4 节中的跨域实验结果相似。多个对比模型未能充分诊断 C12 中的特定故障；例如，像 MMD、CDAN 和 MCD 这样的模型在诊断故障 B021 时无效，而 SHOT 和 MDD 在诊断问题 IR007 时表现出相当大的缺陷。试验表明，尽管这些对比模型能够识别大多数故障类别，但当处理具有较大域差异的故障类型时，其准确率明显降低。
相反，本研究提出的 AD-FHA 模型在 C12 诊断测试中表现出优越的分类效果。除了少数 B021 故障的误诊外，该模型表现出令人满意的精度，有效地展示了其在跨域场景中的稳健诊断性能。
在 J12 诊断测试中，本研究提出的 AD-FHA 模型表现出强大的域适应能力和诊断熟练度，进一步确认了其在跨域场景中的优越特征提取性能。
下载：下载高分辨率图像 (2MB) 下载：下载全尺寸图像
图 18. 基于 C12 的跨域任务可视化结果。
下载：下载高分辨率图像 (1MB) 下载：下载全尺寸图像
图 19. J12 跨域任务实验结果的可视化。

4.8. 消融实验
在本节中，我们进行了一项消融研究，以证明和评估每个受人类知识启发的提议结构对整体诊断模型的贡献。实验同时在 CWRU 和 JNU 数据集上进行，以准确率 (Accuracy) 和 F1 分数 (F1-Score) 作为主要评估指标。消融实验的模型配置如表 7 所示。
图 20 显示了准确率 (Accuracy) 和 F1 分数 (F1-Score) 这两个指标的消融实验结果。在两个数据集上，随着每个核心模块的逐步移除，这些指标均呈下降趋势。以 C1 任务为例，消融模型的这两个诊断指标分别从 98.96% 和 98.59% 逐渐下降到 62.05% 和 61.82%。准确率的下降尤为明显。实验还表明，所提出的注意力驱动的选择性动态稀疏特征提取、自适应多尺度稀疏感知增强理论以及基于记忆检索的哈希诊断方法都对整体模型做出了重大贡献。
表 7. 每个核心模块的消融结果。
No. 基本特征提取 ADSF 稀疏特征提取 MSSE 多尺度增强 FHA 哈希检索 描述
A0 ? ? ? ? 简单无监督模型（由 MMD 替代）
A1 ? ? ? ? 具有基于选择性注意力的动态稀疏特征提取 (ADSF)
A2 ? ? ? ? 具有自适应多尺度稀疏增强 (MSSE)
A3 ? ? ? ? 具有基于记忆检索的哈希诊断 (FHA)
A4 ? ? ? ? ADSF 和 MSSE（不包括 FHA 哈希检索）
A5 ? ? ? ? ADSF 和 FHA（不包括 MSSE 多尺度增强）
A6 ? ? ? ? MSSE 和 FHA（不包括 ADSF 稀疏注意力）
A7 ? ? ? ? 所提出的 AD-FHA 模型（完整框架）
下载：下载高分辨率图像 (950KB) 下载：下载全尺寸图像
图 20. 消融实验结果。

5. 基于复合故障数据集的诊断实验
本章使用从现实世界大型旋转机械故障诊断平台收集的复合故障数据进行无监督故障诊断实验和噪声实验，以评估所提出模型在复杂条件下的泛化能力和鲁棒性。

5.1. 数据集介绍
本章介绍了在广东石油化工装备重点实验室大型旋转机械故障诊断平台上进行的实验，使用运行系统的真实故障数据评估 AD-FHA 模型的鲁棒性和泛化能力。初步实验数据是利用固定在齿轮箱上的 US-CTC 加速度计获得的。故障数据涵盖不同操作情况下的齿轮和轴承同时故障。测试台由三相感应电动机、齿轮箱 (H1SH)、轴承和负载组成，如图 21 所示，展示了测试台、缺陷轴承和故障齿轮。表 8 详细说明了数据集的故障分布。
下载：下载高分辨率图像 (559KB) 下载：下载全尺寸图像
图 21. 复合故障数据集测试台和故障齿轮。(a) 正常轴承；(b) 正常齿轮；(c) 故障齿轮；(d) 故障轴承内圈；(e) 故障轴承外圈；(f) 轴承滚动体缺失。
表 8. 故障分布。
类型 描述 标签 类型 描述 标签
空单元格 轴承 齿轮 空单元格 空单元格 轴承 齿轮 空单元格
F0 正常 正常 0 F4 外圈故障 正常 4
F1 正常 故障 1 F5 外圈故障 故障 5
F2 内圈故障 正常 2 F6 滚动体缺失 正常 6
F3 内圈故障 故障 3 F7 滚动体缺失 故障 7

5.2. 模型泛化性能实验
与第 4 节的对比模型一致，在本节中，我们再次选择 MMD、DANN、CDAN、DSAN、MCD、MSDAN、SHOT、MDD 和所提出的 AD-FHA 模型，对从实际操作测试台收集的复合故障数据集进行模型泛化实验，以证明这些模型在现实世界深度耦合故障数据上的泛化能力。实验超参数保持不变。实验结果如图 22 所示。
实验结果表明，在复合故障数据集上，由于轴承和齿轮的复杂耦合故障特征，各种模型的诊断指标有所下降；例如，CDAN 和 MSDAN 模型的准确率分别降至 74.58% 和 79.27%。这些结果表明某些模型显示出有限的泛化能力。本研究提出的 AD-FHA 模型在复合数据集上表现出优秀的诊断精度，所有指标均高于 97.61%，意味着具有卓越的泛化能力。
下载：下载高分辨率图像 (481KB) 下载：下载全尺寸图像
图 22. 模型泛化实验结果。
在本节中，我们使用复合数据集进行了可视化实验，包括混淆矩阵和 T-SNE 降维以用于可视化目的。结果如图 23 所示。实验结果与泛化实验结果一致：所提出的 AD-FHA 模型与其他对比模型相比表现出优越的诊断精度，进一步确认了其在各种数据场景下的高诊断精度和卓越的泛化能力。
下载：下载高分辨率图像 (2MB) 下载：下载全尺寸图像
图 23. 基于复合数据集的实验可视化结果。

5.3. 免疫测试
在现实世界的工业生产环境中，机械和设备——或工厂——往往会产生大量噪声，这对无监督智能诊断系统的鲁棒性提出了更高要求。因此，本节使用复合数据集在噪声条件下进行故障诊断实验，模型选择与第 4.4 节一致。在本节实验中，噪声是使用高斯白噪声模型生成的，意味着噪声样本是独立同分布 (i.i.d.) 的，服从均值为 0 方差为 σ2 的正态分布 ??(0, σ2)。通过控制噪声方差 σ2 实现不同的信噪比 (SNR) 水平。给定原始信号 x 和噪声 n，信噪比定义为：
(20) SNR(dB) = 10log10(P_signal / P_noise)
其中 P_signal = (1/N)∑x2? 和 P_noise = (1/N)∑n2?。对于每个目标 SNR，所需的噪声功率计算为 P_noise = P_signal / 10^(SNR/10)，然后生成相应功率的高斯白噪声并将其叠加在原始信号上。测试阶段使用的信噪比范围从 ?7 dB 到 7 dB，以模拟现实世界工业环境中的不同噪声水平。图 24 显示了故障诊断实验的结果；本节的性能指标是准确率 (Accuracy)：
实验结果表明，随着噪声干扰水平的增加，所有模型的故障诊断准确率逐渐降低。特别是，在比较 DSAN 和 SHOT 模型时，随着噪声干扰从 7 dB 逐渐增加到 ?7 dB，诊断准确率急剧下降，从最初的 80.73% 和 86.94% 降至 58.92% 和 51.84%。这也表明，由于特征学习深度不足和缺乏有效的物理增益，对比模型对噪声干扰的抵抗力较弱；当故障诊断任务受到噪声等环境干扰时，诊断严重失败。
下载：下载高分辨率图像 (803KB) 下载：下载全尺寸图像
图 24. 噪声干扰测试结果。
相比之下，本文提出的 AD-FHA 模型的诊断准确率受噪声干扰的影响明显较小。即使在 ?7 dB 的高噪声条件下，它仍能保持 79.35% 的准确率，且随着噪声干扰的继续增加，其诊断准确率仅逐渐下降。这表明所提出的 AD-FHA 模型能够有效适应复杂耦合数据中的干扰场景，并具有较高的噪声鲁棒性。

6. 结论
本文针对跨运行条件无监督故障诊断中的关键挑战——包括故障信息与运行干扰之间的深度耦合、单尺度特征的鲁棒性不足以及标签稀缺导致的模型过拟合和可解释性差——提出了一种结合视觉扫描和记忆检索特征的无监督故障诊断方法 (AD-FHA)。核心创新包括注意力驱动的动态稀疏特征提取结构 (ADSF)、自适应多尺度稀疏感知增强理论 (MSSE) 和基于记忆检索的哈希诊断方法 (FHA)。这些创新通过人类知识系统中的启发式机制与深度学习的深度集成，实现了端到端的无监督自适应诊断。使用两个轴承数据集和真实世界运行复合数据进行了系列实验，得出以下主要结论：
1. 为了解决跨域背景下故障特征容易被运行噪声掩盖、常规特征提取缺乏聚焦方向以及难以识别基本故障模式的问题，我们提出了注意力驱动的动态稀疏特征提取 (ADSF) 架构。该方法通过模拟人眼视觉扫描过程的聚焦、过滤和重新聚焦，利用缺陷显著性检测来识别敏感频段。利用动态稀疏卷积和通过注意力权重进行二次筛选，它选择性地放大故障影响信息，同时动态衰减来自负载和转速等运行条件的无关干扰。大量跨域调查表明，ADSF 显著增强了特征的物理可解释性和域不变性，尽管运行条件发生巨大变化，仍保持了一致的故障表示能力。
2. 为了克服常规单尺度特征的局限性，这些特征无法同时捕捉不同频带的故障影响，并且在不同运行条件下无法充分表示具有不同损伤严重程度的故障，我们提出了自适应多尺度稀疏感知增强 (MSSE) 理论。该理论模拟了人类视觉系统跨各种尺度处理信息的联合感知机制。它通过并行的多尺度分支提取不同分辨率下的故障特征，并根据特征能量为每个分支动态分配权重，从而提高了对包括微小影响和周期调制在内的各种故障模式的表示能力。

无监督跨条件与对齐实验表明，MSSE显著提升了特征的细粒度判别能力与跨域稳定性，超越了传统的单尺度特征提取技术。3. 针对无监督场景中标签稀缺的挑战、传统分类器容易过拟合的倾向、域偏移导致的分类边界不清晰问题以及决策过程缺乏可追溯性的问题，我们提出了一种受记忆检索启发的哈希诊断方法（FHA）。该策略模拟人类通过已有的经验模板识别陌生模式的能力，通过高效的哈希编码将高维特征转换为低维哈希向量，建立并持续维护常规故障记忆数据库，最终利用汉明距离执行故障检索与诊断。稀疏样本与噪声扰动的实验表明，FHA成功防止了小样本场景下的过拟合问题，同时为模型的决策过程提供了可解释性，即使在目标域缺乏标签的情况下，仍能保持较高的诊断准确性与鲁棒性。4. AD-FHA框架融合了ADSF动态稀疏特征提取、MSSE多尺度增强与FHA哈希记忆检索，实现了集特征纯化、特征增强与鲁棒诊断于一体的模型设计。实验表明，该模型在无监督域自适应、有限样本故障诊断与噪声鲁棒性等任务中优于MMD、DANN、CDAN和MDD等传统方法，展现出卓越的域适应能力、诊断精度与工程适用性。消融实验验证了各模块的必要性与互补性，表明受人文知识系统启发设计的启发式方案可以显著提升深度学习模型在工业故障诊断场景中的性能。

尽管AD-FHA在多种工况下的轴承故障诊断中表现出卓越的效能，但在极端场景下的稳定性仍有提升空间，包括背景噪声过高、不同速度下的非平稳信号以及多种机器类型间的跨设备迁移。未来工作将增强知识系统启发机制与深度学习的融合，将哈希记忆检索方法推广至剩余使用寿命预测等任务，并探索轻量化网络架构以满足工业边缘设备的实时部署需求。

此外，本文提出的方法主要基于公开可用的实验室轴承数据集以及有限工况下的真实工业复合故障数据进行了验证。尚未解决传感器漂移、环境变化以及长期现场运行中的跨设备迁移等复杂场景。尽管这些数据集是该领域的标准基准，涵盖了转速与负载的系统性变化，但实验室条件下的域偏移与实际工业环境中的传感器漂移、设备差异以及复杂多变的环境条件之间仍存在差距。为进一步验证该方法在复杂工业条件下的适用性，本文在第5节中使用从一台运行中的旋转机械试验台采集的真实复合故障数据集进行了一系列实验，该数据集包含轴承与齿轮同时失效的情况。未来工作将从多家工厂采集现场设备数据，涵盖不同的传感器位置、环境噪声水平以及长期退化模式，以系统评估该方法的跨场景泛化能力。

最后，本文所述方法假设源域与目标域的正常谱特征是可迁移的。当传感器配置或机械结构存在显著差异时，这一假设可能不成立，从而导致故障敏感频带选择的偏差。未来研究将探索自适应频带调整与在线正常谱估计策略，以扩展该方法在不同设备与传感器上的适用性。

CRediT作者贡献声明

赵英军：撰写——审稿与编辑，撰写——初稿撰写，监督指导，形式化分析，数据管理，概念构思。袁一平：撰写——初稿撰写，验证，监督指导，经费获取，数据管理。亚森江·贾尔勒：撰写——初稿撰写，验证，形式化分析，数据管理。陈波：可视化，软件，数据管理。孟凌超：验证，软件，概念构思。王家琪：监督指导，项目管理，概念构思。

赵英军|袁一平|亚森江·贾尔勒|陈波|孟凌超|王家琪