轴向活塞泵是液压传动系统中的关键动力组件，广泛应用于建筑、航空航天和机器人技术[1,2]。由于高负载压力、高旋转速度和强烈振动等恶劣的操作条件，这些泵容易发生故障，从而导致重大的经济损失和潜在的安全隐患[3]。因此，实时故障诊断对于确保液压传动系统的可靠性和安全运行至关重要。
机器学习已成为诊断轴向活塞泵故障的最常用方法[4]，包括随机森林[5]和支持向量机[6]等传统机器学习方法，以及生成对抗网络[7]和卷积神经网络（CNN）[8],[9],[10]等深度学习方法。尽管这些方法在各种故障诊断任务中表现出有效性，但它们通常需要大量的标记训练数据，而在实际工程应用中收集这些数据往往成本高昂且具有挑战性。此外，当训练数据和测试数据不是独立同分布时，基于机器学习的方法的诊断性能会因数据分布差异而显著下降。
最近，迁移学习被引入到故障诊断中，以减轻领域间数据分布差异造成的不利影响。迁移学习的核心目标是利用源领域中一组相关源任务的知识来执行目标领域中的新任务，其中每个领域或任务可能与其他领域不同[11,12]。根据两个领域中标记数据的可用性，迁移学习可以分为三种主要类型：归纳迁移学习、传递迁移学习和无监督迁移学习。当源领域和目标领域都有标签时，使用归纳迁移学习，且迁移发生在不同任务之间[13]。传递迁移学习指的是只有源标签可用的情况，但源任务和目标任务是相同的[14]。相比之下，无监督迁移学习适用于源标签和目标标签都不可用的情况[15]。在这些方法中，领域适应是一种突出的传递迁移学习形式，专注于不同领域中的相同分类任务。它被广泛用于跨领域故障诊断[16]。目前，基于领域适应的方法在诊断各种旋转机械（包括轴承[17,18]、齿轮箱[19]和轴向活塞泵[20],[21],[22],[23]）的故障方面取得了显著进展。然而，这些方法通常需要访问目标领域的数据进行模型训练，这在实际应用中往往不切实际。例如，轴向活塞泵经常在不同的工作条件下运行，导致任何两个不同工作条件之间的数据分布存在差异。因此，开发能够在不依赖先验目标数据的情况下有效泛化到任意工作条件的基于迁移学习的诊断模型至关重要。
与领域适应不同，领域泛化（DG）旨在仅使用源数据和相应标签来学习能够泛化到任何未见目标领域的模型[24]。DG的主要目标是从源数据中提取领域不变特征，通常通过数据增强[25,26]、表示学习[27],[28],[29],[30]或学习策略[31,32]来实现。最近，基于因果学习（CL）的DG方法受到了越来越多的关注，因为它们可以揭示数据生成过程背后的内在因果机制[33]。与传统领域对齐方法相比，CL提供了更精细的领域不变特征描述，从而推动了基于CL的跨领域故障诊断方法的发展[34],[35],[36],[37],[38],[39],[40]。然而，大多数这些方法使用在多种工作条件下或来自不同机器的源数据进行了验证，这有助于进行因果推断。在源领域有限的情况下，分离原始数据中的干扰因素变得具有挑战性，现有的基于CL的方法可能泛化性能较差。
为了解决上述挑战，本文提出了一种改进的CDN，将CL与数据增强结合用于轴向活塞泵的基于DG的故障诊断。通过构建结构因果模型（SCM），该方法从数据生成的角度分别探索与故障相关的因果因素和与领域相关的非因果因素。具体来说，因果因素和非因果因素被编码成独立的特征表示，并受到两个分类器的约束。通过聚合具有相同故障/领域标签的特征并减少不同特征维度之间的冗余，逐步分离因果因素和非因果因素。此外，引入了一种可逆的网络架构，其中解耦的因果和非因果特征被连接起来以重构原始输入数据。为了减轻传统CL对源领域数据的过度依赖，数据重构模块被重新用于生成增强样本，进一步支持因果和非因果特征的提取。本文的主要贡献总结如下：
- (1)
提出了一种用于在未见操作条件下诊断轴向活塞泵故障的DG方法，无需在模型训练期间使用目标领域数据。
- (2)
设计了因果聚合损失和冗余减少损失，以从多源领域数据中提取领域不变特征。
- (3)
将一种新的数据增强策略集成到原始CDN框架中，以在源领域有限的情况下提高模型泛化能力。
