针对传输系统在未知运行条件下的协同广义诊断方法，该方法考虑了训练阶段目标数据缺失的情景

《ADVANCED ENGINEERING INFORMATICS》：Collaborative generalization diagnosis to unknown operating conditions of transmission systems considering the scenarios of target data missing on training stage

　　刘富珍|王文宇|耿向毅|张菲耶|蒋明顺
中国山东大学控制科学与工程学院，济南250061

**摘要**
在传动系统的迁移诊断中，由于负载的交替变化，很难预见不同的运行条件。在未知条件下，跨不同领域和特征的鲁棒泛化对工程诊断提出了巨大挑战。因此，提出了双阶段一致性引导解耦网络（DCGD-Net）来解决传动系统在未知运行条件下的协同泛化诊断问题。该方法设计了类-域解耦分离网络，通过两个定向编码器提取与类和域相关的高维特征。通过聚合和正则化损失，实现类解耦和跨域数据的不变表示。该方法同时设计了双阶段解码一致性网络，专注于解耦重构信号和组合信号，探索和丰富细粒度特征。通过一致性损失，确保类特征和域特征的高一致性。从而保证了编码器的高效稳定兼容性，并增强了对未知域的泛化能力。在不同实验测试平台上验证了所提方法的有效性，在轴承测试平台上的平均准确率接近90%，在齿轮箱测试平台上的平均准确率接近85%，实现了最佳迁移诊断性能。

**引言**
确保传动系统、交通电气化等应用领域中机械设备的可靠性和安全性在很大程度上依赖于高效稳定的故障诊断[1]，[2]。传统的故障诊断方法主要基于信号分析和浅层网络，这些方法在工业过程中仍然被广泛使用[3]，[4]。基于深度学习的方法因其强大的特征提取能力而受到高度重视和欢迎。然而，在具有交替负载和不同运行条件的复杂工业环境中，分布差异和数据稀缺性的挑战将大大降低模型的适用性[5]，[6]。迁移学习关注领域适应（DA）和领域泛化（DG），旨在弥补这一不足。DA方法[7]通过设计性能优越的模型来减少训练数据和测试数据之间的分布差异，缓解了领域差距引起的诊断难题。图1(a)展示了DA的描述。包括我们在内的许多学者在不同工业应用场景中对DA问题进行了系列研究。刘[8]提出了多通道核图卷积网络以实现闭集故障诊断。刘[9]提出了平衡混合对抗和平滑抑制细化网络，有效处理了源域中异常值的干扰，实现了部分领域故障诊断。刘[10]提出了滤波匹配交互迁移框架，不仅促进了共享标签空间中样本的对齐，还完全识别了未知故障，实现了开集故障诊断。余[11]提出了基于极值理论的网络来消除未知样本，能够学习共享类的领域不变特征和异常值的分类特征，实现通用故障诊断。刘[12]提出了全局和辅助原型框架，不仅促进了类关系的一致性，还改进了样本的边界划分，实现了多源故障诊断。这些方法通过收集目标域中的未标记数据有效缓解了领域差异对模型性能的影响，在特定场景下实现了卓越的故障诊断性能。然而，在现实世界的工业应用中，获取模型训练的目标数据是不切实际的，甚至获取未标记样本也非常困难。更实际的情况是，模型训练应仅涉及源数据，并且在兼容性验证后可以直接应用于测试。

在完全新的领域盲目采用DA方法进行机械故障诊断时，无法实现最佳的鲁棒性能，因为模型可能不适合该目标域，尽管在已知域中显示出良好的结果。另一种实用的迁移学习方法是领域泛化（DG）[13]，[14]，它可以在不依赖于目标域数据的情况下实现良好的鲁棒性能。图1(b)展示了DG的描述。目前，已经开发了多种采用主流技术[15]，[16]，[17]（如数据增强、领域对齐、特征解耦和元学习等）的DG方法。戴[18]提出了多源领域泛化（MSDG）方法用于情感分析，旨在利用来自多个源域的有用信息进行泛化到目标域。实验表明了其有效性能。郑[19]提出了深度领域泛化网络（DDGFD），旨在从源域学习具有区分性和领域不变性的故障特征，并将其泛化到未知的目标域。李[20]提出了因果一致性网络（CCN），用于描述深度潜在变量中故障因果关系的一致性，实现了卓越的模型泛化性能。钱[21]设计了一个由两个阶段组成的关系迁移领域泛化网络：任务无关的领域适应和任务相关的领域泛化。通过构建残差融合分类器，他们提高了故障分类的泛化能力。贾[22]提出了因果解耦领域泛化（CDDG）网络，用于解耦因果和非因果因素，其泛化性能已在振动数据和声学数据中得到验证。张[23]提出了双解耦领域泛化（DDDG）网络，应用对比解耦模块和对抗性掩码解耦模块生成领域特定和领域不变的表示。其泛化性能已在公共和私有数据集上得到验证。

这些DG方法在一定程度上缓解了由于非目标域数据参与模型训练导致的诊断性能下降的问题，并实现了对未知域的泛化诊断。然而，在实际的工业应用中，(1)识别和提取不同源域之间独立且一致的类特征仍然是突破性进展的关键，因为现有模型在实现跨不同领域和特征的鲁棒泛化方面遇到了挑战。(2)同时，如何在利用现有数据样本的同时，在跨领域信息干扰下仍保持卓越的类特征提取也是一个极其困难的任务，这也对提高领域泛化故障诊断的性能起着一定作用。

双阶段一致性引导解耦网络（DCGD-Net）旨在解决机械领域泛化诊断问题。与现有的DG方法相比，DCGD-Net：(1)从不同的角度分别设计类相关和域相关的编码器，而不仅仅是设计单一特征提取器来解耦类和域特征。设计了类-域解耦分离（CDS）网络，结合两个定向编码器，利用聚合损失和正则化损失来促进同类数据和同域数据的聚合，避免信息干扰和损失，同时确保跨域数据的类解耦表示。(2)从充分利用现有数据的角度出发，采用重构解码和组合解码来替代Mix-up[24]，[25]等数据操作方法，避免引入噪声，确保有效提取领域独立的类特征和模型的泛化。这是一种生成扩展数据集的新方法。通过设计双阶段解码一致性（DDC）网络，专注于在通道维度上解耦重构信号和组合信号，探索和丰富原始信号的细粒度特征以增强整体属性。在扩展数据集上也设计了一致性损失，以确保不同阶段（分离、重构和组合）的类特征和域特征的高一致性。比较结果表明，领域泛化在故障诊断中具有显著优势。贡献如下：
1. 提出了双阶段一致性引导解耦网络，以促进类解耦和跨域数据的不变表示，增强对未知域的泛化性能，并实现针对未知运行条件的卓越机械领域泛化故障诊断。
2. 在两个独特的编码器上应用聚合和正则化损失，通过设计CDS网络促进同类数据的聚合和相关信息的干扰，实现跨域数据的类解耦表示。
3. 通过开发DDC网络，专注于在通道维度上重新解耦重构信号和组合信号，利用一致性损失实现不同阶段（分离、重构和组合）的类特征和域特征的高度统一。

**余下部分**分为以下几节：第2节介绍问题定义，第3节介绍DCGD-Net的详细信息，第4节使用测试平台验证DCGD-Net，第5节总结本文。

**问题定义**
给定一组源域Ds={S1,S2,…,SN}，其中N个源域Sn={(xiSn,yiSn)}i=1NSn，每个Sn包含NSn个样本，xiSn表示第n个源域Sn的第i个输入样本，标签yiSn∈{1,2,…,K}，包含K个健康状态。类似地，目标域T={(xjT,yjT)}j=1NT包含NT个样本，标签为yjT，xjT表示目标域的第j个输入样本。目标域样本不参与模型训练，仅输入到...

**提出的方法**
所提出的DG故障诊断网络DCGD-Net如图2所示。除了两个定向编码器（类定向编码器、域定向编码器）、一个分类器和一个解码器外，还包括类-域解耦分离网络和双阶段解码一致性网络。DCGD-Net的网络架构如表1所示。(1)在类-域解耦分离网络中，时间序列数据被分解为与类相关的高维特征...

**实验验证**
本文使用了我们团队开发的两个旋转机械测试平台，即轴承和齿轮箱[9]，[10]。本节设计了多个DG迁移诊断任务来验证所提出的DCGD-Net的优越性。

**结论**
本研究提出了双阶段一致性引导解耦网络DCGD-Net，用于机械领域泛化故障诊断。我们设计了类-域解耦分离网络，在两个定向编码器上应用聚合损失和正则化损失，以促进同类样本的聚集和相关信息的干扰，实现跨域数据的类解耦表示。我们开发了双阶段解码一致性网络...

**作者贡献声明**
刘富珍：撰写——审稿与编辑、撰写——初稿、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。
王文宇：撰写——审稿与编辑、验证、软件、方法论、数据管理。
耿向毅：撰写——审稿与编辑、验证、软件、方法论、数据管理。
张菲耶：撰写——审稿与编辑、监督、资源管理、项目协调、资金筹集。
蒋明顺：撰写——利益冲突声明

**致谢**
本工作得到了中国国家自然科学基金[项目编号62373215, 62573259]、山东省自然科学基金[项目编号ZR2023MF100]、山东大学自主开发仪器资金[项目编号zy20240201]、山东省重点研发计划[项目编号2025RZB0202]以及泰山学者计划的支持。