《Journal of Process Control》：An inter-domain feature discrepancy method for multi-source partial domain fault diagnosis
编辑推荐：
跨域故障诊断中多源部分标签空间不一致问题，提出基于域间特征差异的三尺度对齐与动态权重分配的MIFD模型。通过特征级、类别中心级和源-目标对级的三维对齐机制约束域偏移，结合源域自适应贡献的量化筛选与类别级自适应过滤，有效抑制负迁移。实验表明，该模型在CWRU轴承故障和TEP化工过程数据集上较现有方法分别提升5.13%和2.16%，显著增强异构环境下的诊断鲁棒性。
谭帅|曾淑萱|韩继杰|江庆超|钟伟民|王佳怡
教育部能源化工过程智能制造重点实验室，华东理工大学，上海，200237，中国
摘要
与传统的单一来源域适应相比，多源域适应面临更复杂的挑战。虽然受限的目标域标注和来自单一来源的有限信息可以得到缓解，但多个域之间的固有差异加剧了在不同运行条件下的故障诊断难度，特别是在具有多样化和复杂环境的真实工业系统中。为了解决这些问题，本文提出了一种新的多源域间特征差异（MIFD）模型，该模型不同于现有的多源适应方法，它通过显式建模域间特征差异，而不仅仅是通过全局或边际分布对齐来强制统一共享特征空间。在所提出的框架中，引入了一种三尺度对齐机制，以联合对齐特征表示、类别语义和域分布，从而在多个语义层次上约束域偏移，同时保留域对特定的特征。开发了一种差异感知的特征匹配模块，以提取针对特定源-目标域对的可靠且可迁移的特征。此外，设计了一种类中心和域对齐策略，以约束条件分布并减轻伪标签偏差。此外，提出了一种双级加权方案，通过该方案可以自适应地量化域贡献并自动过滤无关类别。在部分标签空间设置下的两个基准故障诊断场景中的实验结果表明，所提出的MIFD模型在CWRU数据集上的性能比最先进的多源域适应方法提高了5.13%，在TEP数据集上提高了2.16%，有效减少了负迁移和域冲突，同时增强了在标签空间不一致性下的诊断鲁棒性。
引言
跨域故障诊断将知识从源域转移到目标域，但当目标类别不存在于源标签集中时，会遭受负迁移。在真实的工业应用中，多个源域可以提供更丰富的标签覆盖并促进共享知识学习，然而源域之间的域偏移和过度的对齐约束可能会阻碍性能。特别是在部分标签空间设置下，盲目聚合多源知识可能会引入无关的源类别和冲突的域信息，从而加剧负迁移。
对于多个标记的源，历史域知识可以减少负迁移，与单源情况相比。然而，大多数MSDA方法假设源和目标之间的标签空间是相同的（封闭集）。例如，Yang等人[1]提出了锚点适应来对齐源之间的分布以及每个源和目标之间的分布，然后进行多分类器融合。Cao等人[2]设计了一个两阶段框架，用于全局和类别级别的特征提取，并采用伪标签投票。
一些工作将MSDA扩展到开放集场景，其中目标可能包括未知类别。Su等人[3]引入了一种对抗性多故障决策机制，而[4]提出了一种具有多源集成和加权对抗策略的补充稳定性度量。在更复杂的完全标签空间不一致性情况下，Chai等人[5]通过自适应模块和分类器合作整合了来自不同来源的补充信息。
传统的域适应通常减少单个标记源和未标记目标之间的域偏差[6]，[7]。借助MSDA基准[8]，[9]，最近的方法涵盖了文本分类[10]、语义分割[11]、人物重新识别[12]和视觉情感识别[13]，使用对抗学习[14]，[15]和域蒸馏[16]。最近，工业过程中的多源适应越来越受到关注。例如，Ren和Zhao[17]提出了一种针对工业软传感器的不变特定双图神经网络，该网络在保留源特定信息的同时捕获域不变特征。这些方法为解决域间差异和减轻批量过程分析和故障诊断中的负迁移提供了新的见解。然而，大多数方法对齐了完整的特征空间，而没有考虑到某些源特征可能在目标中不存在，导致在部分重叠设置中出现负迁移。
通用域适应（UniDA）[18]，[19]，[20]，[21]已经显示出有效性，但主要假设单一来源。相比之下，多源部分域适应（MSPDA）利用具有不同标签空间的多个源域在目标域上执行任务，该目标域与任何单个源都不共享相同的标签空间。在MSPDA中，源-目标之间以及源域之间存在域差距，标签空间关系变得更加复杂。一些方法忽略了源标签分布的不对齐[22]，[23]，[24]，[25]，[26]，而其他方法由于次优的多判别器设计[27]，[28]，[29]而无法充分提取共享和域特定特征。在这种设置中，多源部分域适应面临三个内在挑战。首先，不仅每个源和目标域之间存在域差异，多个源域之间也存在域差异，导致特征分布复杂且冲突。其次，部分标签空间重叠不可避免地引入了无关的源类别，这可能会主导特征对齐并导致严重的负迁移。第三，异构的源域对目标任务的贡献不均衡，使得识别真正可迁移的知识变得困难。
为了解决这些问题，提出了一种基于域间特征差异（MIFD）的MSPDA框架，该框架减少了域差距并识别了共享类别，而没有增加模型复杂性。与主要最小化全局或边际分布差异的传统多源域适应方法不同，所提出的MIFD框架显式建模了域间特征差异，并将它们视为指导选择性、特定于对的知识转移的信息信号。通过这种方式，对齐被用作正则化约束，而不是优化目标，有效地减轻了在部分标签空间不一致性下的负迁移。本文的贡献总结如下：
(1) 提出了一种特征差异机制，并将其嵌入到特征提取器中。它根据源-目标相似性选择特征，从而实现特定于对的知识转移。这减轻了在多样化源域之间学习共享提取器的难度。
(2) 引入了一种基于特征-类别-域对齐的三尺度对齐方法。该方法减少了由伪标签引起的分布偏移，并对齐了条件分布，从而有效缓解了域间冲突和域差距。
(3) 设计了一种双级加权机制。域级权重量化了每个源域的相关性。类级权重使用目标伪标签自适应地过滤无关的源类别。这抑制了负迁移并提高了模型的鲁棒性。
本文的结构如下：第2节回顾了相关的域适应研究；第3节阐述了MSPDA的科学问题；第4节详细介绍了所提出的基于MIFD的方法；第5节展示了比较实验并分析了结果；第6节总结了发现并概述了未来的研究方向。
部分片段
单源域适应
在故障诊断领域，最近的研究积极探索增强模型跨不同域泛化能力的方法，特别关注单源和多源域适应及泛化。对于单源域故障诊断，其目标是利用来自单一来源的数据来提高目标域中的模型性能，现有方法主要利用迁移学习或域适应技术。域适应（DA）已经
问题描述
跨域故障诊断旨在将诊断知识从标记的源域转移到未标记或标记稀疏的目标域。在工业场景中，设备通常在不同的工作条件或不同的生产线上运行，导致信号分布和故障类别存在显著差异。例如，从电机、齿轮箱或泵收集的振动信号可能由于传感器安装位置和负载的不同而存在显著差异
模型概述
在解决多个源域之间标签空间不一致性问题时，存在两个主要挑战：(1) 源域标签集之间的分布差异阻止了使用单源域适应方法直接组合多源数据进行训练；(2) 学习域独立模型会导致源域之间的映射分布显著不同，迫使目标域模型平均掉域间冲突
数据集信息
为了验证所提出方法的有效性，该方法应用于两个数据集：CWRU（凯斯西储大学轴承数据集）和TEP（田纳西东曼工艺）。
(1) CWRU [41]：本研究使用了凯斯西储大学提供的公开可用轴承数据集。该数据集包含在0 HP、1 HP、2 HP和3 HP的不同速度和负载下获得的四个子集。它涵盖了正常条件NC和九种故障条件，故障直径
结论
在这项研究中，提出了一种多源域间特征差异（MIFD）方法，用于解决标签空间不一致性下的跨域故障诊断问题。该方法结合了三尺度对齐策略，包括特征级对齐、类中心对齐和成对源-目标对齐，以及动态源选择和自适应特征过滤。这些组件旨在减轻负迁移并提高域适应的鲁棒性。
CRediT作者贡献声明
谭帅：撰写 – 审稿与编辑，监督，资金获取，概念化。曾淑萱：撰写 – 原始草稿，可视化，验证，软件，方法论，调查。韩继杰：监督，验证，可视化，撰写 – 审稿与编辑。江庆超：监督，资金获取，形式分析，概念化。钟伟民：监督，调查，资金获取，概念化。王佳怡：调查，方法论，项目
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家自然科学基金（62273147）和中国教育部基础与跨学科学科突破计划的支持。
