基于无标注样本域自适应的轴承状态变化智能诊断方法

《Machines》：Intelligent Diagnosis Method for Bearing Condition Changes Based on Domain Adaptation with Unlabeled Samples Pengping Luo and Zhiwei Liu

　　

在工业设备的智能运维中，标注故障数据仍然是一项具有挑战性的任务，因其成本高昂且效率低下。尽管在有限标注样本的同时引入大量无标注数据可以部分缓解这一“标注瓶颈”，但模型的性能和鲁棒性仍高度依赖于标注数据的规模和质量，这往往导致在实际工业场景中出现泛化问题。为应对这些挑战，本论文提出了一种基于高效域自适应模型（E-DANNMK）的无监督故障诊断方法。该方法减少了对手动标注故障数据的依赖，从而缓解了标注相关的高成本和潜在偏差等问题。E-DANNMK模型集成了残差网络、高效通道注意力机制和域对抗神经网络，以提升特征的判别性和跨域适应性。为验证其有效性，研究人员在两个主要的轴承故障数据集上进行了实验。结果表明，所提出的E-DANNMK模型达到了94.21%的平均诊断准确率，超越了主流域自适应方法——包括CDAN、CORAL、DANN、CNN-Transformer、DMT和DANN-MK——其提升幅度在3.12%至7.15%之间。

### 论文解读：基于无标注样本域自适应的轴承状态变化智能诊断方法

#### 研究背景与问题提出

在工业设备智能运维中，轴承作为机械系统的关键部件，其运行状态直接影响整个系统的安全性与可靠性。传统的轴承故障诊断方法依赖于大量标注故障数据，然而在真实工业场景中，标注数据成本高昂、效率低下，且不同工况下数据分布存在显著差异，导致模型泛化能力不足。尽管引入无标注数据可部分缓解“标注瓶颈”，但现有数据驱动方法仍高度依赖标注样本的质量和规模，难以应对变转速、变负载等复杂工况下的域偏移（Domain Shift）问题。为此，研究人员开展了本研究，旨在提出一种无需标注目标域样本的无监督故障诊断方法，以降低对人工标注的依赖，并提升模型在跨工况条件下的诊断鲁棒性。该论文发表在《Machines》期刊上。

#### 主要技术方法

研究人员构建了名为E-DANNMK的高效域自适应模型，其核心架构包括三个模块：高效特征提取器、故障分类器和域分类器。特征提取器基于ResNet-18网络，嵌入高效通道注意力（ECA）模块，通过自适应一维卷积实现通道权重的动态校准，增强对故障相关频带的响应。域对齐采用双路径策略：一方面引入多核最大均值差异（MK-MMD）显式约束源域与目标域的高阶统计分布差异；另一方面通过梯度反转层（GRL）进行对抗训练，迫使特征提取器学习域不变特征。两者协同形成多层级对齐机制。模型通过联合损失函数平衡分类损失、对抗损失和MK-MMD损失，初始权重比为1:0.3:0.2。实验采用了两个公开轴承故障数据集：凯斯西储大学（CWRU）滚动轴承数据集和帕德博恩大学（PU）轴承数据集。CWRU数据包含稳定工况下的典型故障类型和尺寸，PU数据则模拟真实测试台架，包含自然损伤、多变量工况和环境干扰，用于评估模型在受控和近工业条件下的泛化能力。

#### 研究结果

**3.1 凯斯西储大学数据集实验结果**

研究人员在CWRU数据集的四种工况（C0–C3）上设计了12个迁移任务，并与CDAN、CNN、CORAL、DANN、DANN-MK、CNN-Transformer和DMT七种主流方法进行了对比。所有实验独立重复5次取平均值。结果显示，E-DANNMK在12个任务中平均诊断准确率为95.37%，显著优于基线DANN-MK的91.20%和基础模型的76.39%。在T5、T9、T12等任务中，准确率稳定超过99.00%，较CNN-Transformer和DMT平均提升约0.4%–0.7%。但在工况差异较大的任务（如T1和T3，源域与目标域在负载和转速上差异显著）中，E-DANNMK准确率未超过90.00%（分别为87.50%和84.26%），但仍与CNN-Transformer和DMT性能相当，表明其在极端分布偏移下保持竞争性。通过t-SNE分布图和混淆矩阵的可视化分析，E-DANNMK展现出良好的聚类特性，类内紧凑、类间分离，仅在同种故障的不同严重等级（如二级与三级滚珠故障）间存在少量误分。

**3.2 帕德博恩大学数据集实验结果**

在PU数据集的四种工况（T0–T3）上同样设计了12个迁移任务。E-DANNMK在大多数任务中表现领先，例如T11任务准确率达97.00%，T7任务达99.50%，分别较CNN-Transformer和DMT提升约0.5%–1.0%。在T3、T4、T5、T9等任务中准确率稳定在98.00%以上。然而，在T1、T2、T6、T10、T12等任务中，E-DANNMK准确率略低于CNN-Transformer或DMT（差距约0.5%–1.0%），尤其在转速从1500 rpm降至900 rpm且负载扭矩从0.7 N·m降至0.1 N·m时，跨域分布差异增大，模型适应性出现波动。t-SNE和混淆矩阵分析显示，E-DANNMK在特征空间中仍保持良好可分性，仅在外圈故障（Category 1）与滚动体故障（Category 2）间存在轻微混淆，而传统方法（CDAN、CNN、DANN-MK）则出现多类交叉混叠，诊断可靠性不足。

**讨论与结论**

研究人员总结指出，E-DANNMK模型通过轻量化特征提取器（ECA嵌入ResNet-18）和双路径域自适应框架（MK-MMD统计对齐+对抗训练），显著提升了跨工况诊断鲁棒性，平均准确率94.21%，优于现有方法。然而，模型在区分同种故障的不同严重等级（如二级与三级滚珠故障）以及区分健康状态与早期故障方面仍存在局限，主要误判集中于这两类场景。这表明，尽管模型在域自适应目标下能有效学习主要故障类别的域不变特征，但对反映故障演变的“量变”细微特征和早期微弱故障特征的捕捉能力尚不足。未来可考虑引入在线微调或物理模型引导等策略以增强在极端域偏移下的泛化能力。