基于阶域包络描述符的物理引导域适应跨工况轴承故障诊断网络PGDA-Net

《Applied Sciences》：PGDA-Net: Physics-Guided Domain Adaptation for Cross-Condition Bearing Fault Diagnosis via Order-Domain Envelope Descriptors

　　

交通传动系统（如铁路轴箱轴承和牵引电机轴承）中的滚动体轴承属于安全关键部件，然而在一个工况下训练的故障诊断模型在部署于不同转速或负载时，会因故障特征脉冲的频率迁移而出现严重性能退化。现有无监督域适应（UDA）方法以纯数据驱动方式对齐特征分布，忽略了轴承故障频率与轴转速之间的确定性关系，从而限制其在大速度差下的鲁棒性。为解决该问题，研究人员提出PGDA-Net，一种利用阶域（order-domain，即以轴转速归一化的频率域）包络描述符来引导、加权并验证对抗对齐的物理引导域适应网络。具体而言，全可微物理路径计算共振带通包络谱，并以理论故障阶次为中心的逐样本转速（per-sample-rpm）高斯核对其进行软池化，生成转速不变描述符。该描述符与原始波形特征融合，并驱动物理加权最大均值差异（MMD）项、数据/物理一致性损失、物理一致伪标签与阶次中心正则化项，形成多层级物理引导适应目标。在帕德博恩多模态轴承基准（留一工况，振动与电机电流）和CWRU跨负载迁移基准上的实验表明，PGDA-Net在大速度差下获得最大且最一致的增益，并明显优于强对抗、矩匹配和子域适应基线；在接近饱和的小速度差CWRU迁移任务中，也在比较方法中取得最佳平均准确率。可解释性分析进一步证实，学习到的阶次注意力集中于理论故障频率，且对齐后域差异得到有效降低。这些特性表明其有望应用于可变工况循环下交通系统的人工智能（AI）驱动诊断与预测性维护。

滚动体轴承是交通传动系统的安全关键部件，铁路轴箱、牵引电机及齿轮箱轴承在持续变化的转速与载荷下运行，其失效是服务中断和安全事故的重要诱因。过去十年，深度学习在轴承故障诊断中取得显著成功，卷积神经网络（CNN）等数据驱动方法在训练与测试共享同一工况时通常优于手工特征方法。然而实际工程中轴转速、径向载荷和温度不可避免变化，交通任务循环中的加速、制动、坡度和载荷变化尤甚；故障特征脉冲的谱位置随转速比例迁移，而语义标签空间不变，形成输入分布协变量偏移。模型在一个转速或载荷下训练后用于另一工况时性能严重退化，成为实验室模型走向实际服务的主要瓶颈。无监督域适应（UDA）通过目标工况无标签数据学习条件不变表征，但现有矩匹配、对抗和子域适应方法均以纯数据驱动方式对齐，无法区分故障相关方向与仅编码转速或载荷的运行变量方向；在大速度差下对抗对齐可能欠对齐（残余域偏移）或过对齐（类别坍缩）。物理信息方法虽引入包络和阶次知识，却常把谱注意力施加于原始幅值谱，与原始波形CNN实际利用的高频共振带不匹配；模块通常假定批内单一转速，不能表达混合速度小批的逐样本阶次中心；且物理特征多作为辅助输入，未主动引导域适应本身。因此有必要构建速度不变物理描述符，并让其贯穿适应目标。

为此，研究人员提出PGDA-Net，一种转导式UDA架构：物理路径产生阶域包络描述符，数据路径提取原始波形特征，二者融合后通过物理加权MMD、数据/物理一致性、物理一致伪标签和阶次中心正则化四类机制引导、加权并验证对抗对齐。该研究在Paderborn多模态轴承基准（留一工况，振动与电机电流）和CWRU跨负载迁移基准上系统评估，表明其最大且最一致的增益集中于大速度差转移，并提高可解释性，对变工况交通系统的智能诊断与预测性维护具有潜在意义。

关键技术方法（不超过250字）：采用双路径物理引导转导UDA。数据路径以WDCNN式一维编码器将原始振动/电流窗口解耦为一般与特定因子；物理路径以可微共振带通滤波、Hilbert解析信号和包络谱，结合逐样本转速与轴承几何生成理论故障阶次，经可学习高斯核软池化得到阶域包络描述符。描述符与波形特征融合，并与梯度反转层（GRL）对抗域判别、物理加权MMD、数据/物理对称KL一致性、物理一致伪标签及阶次中心正则化联合优化；采用Adam、余弦退火与梯度裁剪，按源验证选择检查点。样本来源为Paderborn（6203轴承，振动与电机电流，留一工况）和CWRU（SKF 6205-2RS，单通道振动，跨负载十二迁移）。

研究结果如下。4.1 数据集：通过Paderborn与CWRU两个实验室基准构建跨工况评估，Paderborn提供振动与电机电流多模态真实损伤和大速度变化，CWRU提供单通道振动、多负载种子故障；二者作为交通传动系统变工况的标准化代理。转导目标样本同时用于适应与评估，但目标标签不进入损失、检查点选择或类别平衡决策，仅在最终测试时使用。4.1.1 Paderborn大学轴承数据集：采用四种工况的留一工况协议和八个健康状态，其中N09_M07_F10折具有最大速度差（1500 rpm源至900 rpm目标）；信号按4096样本、50%重叠分窗，训练/验证在录音级划分以避免重叠窗泄漏，目标工况为完全独立录音。由此确认该折构成最具挑战的大速度差转移。4.1.2 CWRU轴承数据集：采用0、1、2、3 HP四负载（约1797、1772、1750、1730 rpm）的十二个有序源→目标迁移和十类标签；因仅单振动通道，PGDA-Net以单模态运行。由此在小速度差、近饱和迁移上评估方法一致性。4.2 实现细节：两数据集共享同一超参数配置，所有自适应基线共享编码器、优化器和调度，使对齐目标成为唯一变量；结果以五个随机种子均值±标准差报告；CWRU采样率使请求带通超过Nyquist频率而返回恒等掩码，包络在全基带上计算。由此保证比较受控且不依赖目标标签调参。4.3 基线与指标：比较WDCNN、MMDG、DANN、DSAN和MSSA，覆盖非适应、全局对齐和子域对齐家族；指标为准确率、宏平均F1和逐类F1，并用A-距离（A-distance）和t分布随机邻域嵌入（t-SNE）量化对齐。由此在统一转导协议下评价对齐目标差异。4.4 物理路径验证：以65536样本长窗在900与1500 rpm的外圈和内圈记录上检测理论故障阶次邻近峰，48个谐波的偏差平均绝对值为1.64 Hz、最大2.99 Hz且无系统符号偏置；峰位随转速成比例移动而阶次保持，学习到的阶次中心接近理论阶次，注意力集中于故障阶次。由此证明物理路径锁定真实轴承运动学而非任意谱位置。4.5 主要结果：Paderborn留一实验中PGDA-Net取得最高平均准确率并超过最强基线DANN，增益几乎集中于N09大速度差折，其余三折接近上限，且跨种子标准差最小；N09消融显示，放松物理加权对齐、一致性项或伪标签门控仍有较高准确率，而移除定义物理路径的阶域路径、偏移正则化或电流通道会显著下降，原始幅值谱替代包络仅恢复部分增益，单模态说明电流通道互补；无物理路径行为PGDA内部比较且存在融合架构缺陷。CWRU十二迁移中PGDA-Net平均准确率最高、跨迁移离散最低、在六个迁移最佳，多数迁移跨种子标准差较小；DANN在若干迁移不稳定，体现纯全局对抗对齐的过对齐风险；混淆矩阵残差集中于同类型相邻严重度，未见系统性跨类型混淆。由此表明物理引导在大速度差下最有效并保持类别判别性。4.6 可解释性与域对齐：t-SNE显示适应前源目标明显分离，适应后充分混合且八类/十类结构保持，按真实健康状态着色形成紧凑分离簇；A-距离由0.96降至0.21，目标准确率由72.72%升至97.16%，各类F1均超过91.9%，注意力峰位于BPFO、BPFI、BSF、FTF及其谐波。线性探针仅说明线性可访问域信息受抑制，不声称全部域信息被移除。由此支持PGDA-Net通过对齐物理有意义的速度不变子空间而非无差别分布匹配来提升跨工况诊断。

讨论部分总结：该研究局限包括依赖轴承几何与转速输入且其测量误差敏感性尚未检验、仅在实验室基准验证、以及依赖无标签目标数据进行转导适应。未来工作将研究阶域描述符用于齿轮等其他旋转部件和剩余使用寿命预测，量化其对受控转速测量误差及由信号直接估计转速的敏感性，并将物理引导描述符集成到面向交通车队的数字孪生预测性维护框架，把验证从试验台基准扩展到在役铁路与车辆轴承数据。结论部分译文：该文提出面向交通装备跨工况轴承故障诊断的物理引导转导域适应网络PGDA-Net；核心创新在于利用轴承故障频率与轴转速的确定性关系，由全可微物理路径计算可处理混合速度批的阶域包络描述符，并以物理加权MMD、数据/物理一致性损失、物理一致伪标签和阶次中心正则化四种互补机制引导、加权和验证对抗对齐。主要贡献为：把故障频率随转速线性缩放的运动学规律重铸为可微阶域包络描述符，使速度由隐式干扰转为显式不变性；将物理贯穿各适应阶段形成多层级物理引导目标；在Paderborn留一工况与CWRU跨负载迁移上相对五个基线，增益集中于最大速度差折，注意力集中于理论故障阶次，消融显示移除物理定义约束（尤其阶次中心偏移正则化）的代价高于仅放松适应目标。