一种基于贝叶斯不确定性引导的迁移学习方法，用于旋转部件的可靠故障诊断

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：A Bayesian Uncertainty-Guided Transfer Learning Method for Trustworthy Fault Diagnosis of Rotating Components

　　张子林|罗军|冯科 中国陕西省西安市710049，西安交通大学机械工程学院制造系统工程国家重点实验室 摘要 关键任务设备（如航空发动机）的总体可靠性和安全性在很大程度上取决于其旋转部件的健康状况。因此，可靠的故障诊断对于实现以可靠性为中心的健康管理至关重要。现有方法在跨工作条件下面临诸多挑战，包括计算冗余、负面迁移风险高以及缺乏对不确定性的认知。为解决这些问题，本文提出了一种基于迁移学习的新型可靠故障诊断方法。具体而言，首先设计一种融合稀疏自注意力与深度CNN的领域共享特征编码器，用于提取局部和全局特征；其次，构建基于变分推断的贝叶斯分类器，并结合蒙特卡洛采样来量化认知不确定性；接着，引入结合显式和隐式差异度量的领域对齐机制；同时，通过指数衰减函数将不确定性映射为自适应权重，从而引导领域对齐，优先传输高置信度样本并抑制不可靠样本。最后，在齿轮数据集上的实验结果表明，该方法在三项迁移任务中实现了99.11%的最高准确率。此外，在正确预测中，91.84%属于低不确定性区域，而所有误分类都被标记为高不确定性。这些结果表明，所提方法能够提供可靠且考虑不确定性的诊断结果，进而提升复杂机械系统的可靠性与安全性。引言 随着工业设备日益复杂化与集成化，确保这些系统的可靠性与安全性已成为决定其整体性能的关键因素。在这些系统中，齿轮、轴承和轴等旋转部件对于动力传递和运动控制至关重要。然而，由于这些部件往往在恶劣环境下运行，其健康状况成为影响整个系统安全与可靠性的主要瓶颈[1]。它们广泛应用于风力发电、铁路运输、航空航天及重型机械领域，任何与可靠性相关的故障都可能引发严重后果[2][3]。因此，及时、准确且可靠的旋转部件故障诊断对于确保工业系统的安全、可靠高效运行至关重要。故障诊断方法通常分为两类：基于模型的方法和基于数据的方法[4]。基于模型的方法依赖于系统动力学和故障机制建模，通过构建状态空间模型、设计观测器或生成残差来实现故障检测与识别。不过，这些方法需要对系统的物理特性有深入理解，且适用性往往局限于特定类型的机械。此外，建模精度还可能受到工况变化、非线性效应及环境噪声的影响[5]。基于数据的方法则利用历史监测数据学习“信号/特征”与故障类别之间的映射关系，这类方法通常具有更好的适应性，且在跨系统迁移方面潜力更大。这一类别包括传统机器学习方法和现代深度学习方法。传统方法通常通过时频分析、包络频谱分析、小波分解或经验模态分解来提取特征，然后再利用阈值规则或浅层分类器进行诊断。深度学习方法近年来发展迅速，能够以较少的手动干预学习出具有区分能力的特征表示，因此已成为机械故障诊断领域的重要研究方向[6][7]。卷积神经网络（CNN）这类深度学习模型因其强大的特征表示能力而被广泛用于故障诊断领域[8]。例如，江等人[9]设计了用于滚动轴承诊断的轻量级CNN，与传统CNN相比，该网络的参数数量有所减少，但捕捉关键局部振动特征的能力却未受到影响。王等人[10]将超参数优化与一维CNN相结合，提升了特征学习过程中卷积核配置的适应性，使模型能更有效地提取关键特征结构。丁等人[11]则基于共振解调技术开发了卷积特征提取网络。从上述研究可以看出，CNN在局部特征提取方面表现优异，但其固有的核结构侧重于短期或局部感受野，这使得它们难以对长时间序列数据中的全局依赖关系进行建模，从而导致重要信息丢失，进而限制诊断性能[12]。为弥补CNN在建模全局依赖关系方面的不足，Transformer及其自注意力机制的出现为长距离时间序列特征学习提供了新途径。近年来，由于自注意力擅长捕捉长距离依赖关系和全局关联，Transformer架构被越来越多地应用于故障诊断领域[13]。为了进一步整合局部细节与全局信息，结合CNN与Transformer的混合架构已成为当前的主要研究趋势[14][15]。例如，王等人[16]将CNN与双向时序卷积网络及多头注意力机制相结合，用于学习时空特征，提升了诊断精度。周等人[17]提出了基于GAF与CNN-ViT混合模型的滚动轴承诊断方法，该方法能够更好地建模全局依赖关系，在轴承数据集上实现了高精度且具备较强的抗噪能力。卢等人[18]则提出了C-Trans混合模型，该模型利用多尺度卷积提取局部时频特征，再通过时序Transformer建模全局依赖关系，提升了跨工况下的故障特征提取性能。总而言之，Transformer与CNN中的自注意力机制优势互补，能够在复杂工况下的长时间序列表示与故障诊断中实现更高的识别精度和更强鲁棒性。然而，这些性能提升往往伴随着额外的计算和内存开销。自注意力需要处理所有时间步之间的两两交互，其计算复杂度会随序列长度呈二次方增长。此外，旋转机械的振动信号通常具有周期性且局部重复，因此并非所有时间步都需要同样程度的全球依赖关系建模，过度的密集全连接时序交互可能会引入冗余相关性。因此，尽管CNN-Transformer架构为故障诊断提供了新方向，但在工程应用中如何降低计算成本、减轻冗余时序连接的负面影响，同时保持全局建模能力，仍是一个重要挑战[19][20]。在实际工业应用中，工况的变化常常导致在源领域训练的模型无法准确泛化到目标领域，因此迁移学习已成为实现跨工况和跨机器故障诊断的关键技术，它能够借助源领域的知识提升目标领域的性能[21][22]。现有的迁移学习方法可分为四类：基于实例的方法、基于特征的方法、基于模型的方法以及基于关系的方法。当前研究主要集中在基于特征的迁移学习上，其中包括领域对抗方法和领域对齐方法[23]。领域对抗方法通过对抗优化来减小领域差异，但其训练过程容易出现梯度不稳定和模式崩溃问题，这大大限制了其鲁棒性[24]。相比之下，领域对齐方法则利用统计分布度量来匹配跨领域特征，它们具有稳定的训练过程和简单的实现方式，因此在机械故障诊断领域受到了广泛关注[25]。例如，钱等人[26]提出了一种新的最大均方误差（MMSD）度量指标，用于机械故障的迁移诊断，该指标解决了传统MMD仅能对一阶统计量进行对齐的局限性。李等人[27]基于多域信息融合和多核MMD开发了深度迁移网络，用于滚动轴承的跨机器诊断，提升了跨域诊断精度。李等人[28]则引入了基于数字孪生的迁移学习网络，并结合堆叠离散小波变换，提升了类内紧凑性、类间可分性以及跨机器迁移性能。刘等人[29]提出了一种包含监督联合分布适配和特征细化的故障诊断框架，提升了不同工况下的特征空间一致性和诊断性能。然而，这些方法中使用的领域对齐流程依赖于全局对齐策略，即所有样本都以相同的分布对齐程度进行匹配，这就忽视了那些在适配过程中更容易引发负面迁移的高风险样本，从而导致特征对齐错误和性能下降。这种全局对齐很容易造成过度对齐，最终引发负面迁移[30][31]。在工业4.0时代，智能维护系统不仅需要毫秒级的响应速度以及在不同工况下的强大泛化能力，还需要高度可靠且可信的诊断决策。在真实的工业环境中，传感器噪声、工况漂移、样本有限以及未知故障类型等问题十分常见。仅仅依赖高精度预测可能会带来误判风险，甚至导致错误的维护决策。因此，作为提升诊断系统可信度的关键支撑机制，不确定性量化近年来受到了越来越多的关注[32][33]。例如，肖等人[34]开发了一种基于变分贝叶斯推断的概率Transformer模型，将注意力权重建模为概率分布，以此捕捉旋转机械信号中的不确定性，从而在高风险条件下实现可靠诊断。达斯等人[35]则利用蒙特卡洛dropout技术构建了具有不确定性感知能力的诊断网络，通过反复的随机采样得到预测概率分布，有助于识别高不确定性样本，提升系统在噪声环境下的鲁棒性。任等人[36]提出了一种基于区间估计的诊断框架，该框架结合分位数预测与深度特征学习，通过输出区间估计以直观的方式量化不确定性，从而支持更可靠的决策。尽管上述研究已实现了有效的不确定性估计，但大多数研究仅将不确定性视为额外的输出信息，未将其用于指导模型训练或优化。虽然不确定性量化确实能够提升诊断结果的可靠性，但其在迁移学习中的应用潜力，尤其是在跨工况或跨机器场景中，目前仍有待进一步探索[37]。考虑到不确定性在识别可靠样本和避免风险预测中的作用，将其纳入迁移学习过程，以实现选择性知识迁移、抑制负面迁移并优化领域对齐，是一个极具前景的研究方向[38]。这也是本研究的主要研究重点。为解决上述问题，本文提出了一种基于全局与局部特征提取网络以及贝叶斯不确定性引导的迁移学习方法，该方法专为在不同工作条件下对关键部件进行可靠故障诊断而设计。本文的主要贡献如下：1. 提出了一种领域特征共享编码器网络架构，该架构结合了稀疏自注意力与深度CNN，通过深度卷积融入先验知识，并利用稀疏注意力降低计算复杂度，从而实现局部与全局信息的高效联合表征。2. 设计了一种基于变分推断的贝叶斯全连接层，并结合蒙特卡洛采样来量化不确定性，随后通过指数衰减映射将不确定性转换为自适应权重，用于引导领域对齐，从而优先传输高置信度样本并抑制高风险样本。所提方法已在多工况齿轮数据集上得到了验证，同时通过对预测不确定性与模型精度之间的一致性分析，进一步证明了该方法在实际故障诊断中的可靠性。本文的其余部分安排如下：第2节将对所提方法进行详细描述，包括整体框架设计及各核心模块的实现细节；第3节将利用齿轮数据集对所提方法进行实验验证；第4节对全文进行总结。方法概述 本文提出的方法的整体框架如图1所示，它由四个组成部分构成：领域共享特征编码器、贝叶斯分类器、基于不确定性引导的领域特征对齐模块以及多目标联合优化模块。领域共享特征编码器主要用于从源领域和目标领域中提取与领域无关的故障特征信息。贝叶斯分类器则输出各故障类别的预测概率，实验数据 本实验使用了齿轮传动系统的故障数据集[48]。该数据集是通过在不同工作条件下对人字齿轮和直齿轮进行破坏性实验获取的，振动加速度信号的采样频率为15 kHz，转速维持在1000 rpm，通过改变负载扭矩（10Nm、15Nm、20Nm）来模拟不同的工作条件，齿轮测试示意图见图4。该数据集包含结论 本文提出了一种基于贝叶斯不确定性引导的迁移学习方法，用于在工况变化情况下对齿轮故障进行诊断。该框架通过结合稀疏自注意力与自适应迁移策略，解决了在复杂机械系统中实现可靠故障诊断的难题，旨在为旋转部件提供可靠且以可靠性为中心的健康评估。总之，本研究的主要结论如下：1. 所提出的DCNN_OSA模型。CRediT作者贡献声明：张泽林——撰写初稿、可视化、验证、方法设计；罗军——撰写审阅与编辑、指导、资源协调、项目管理、资金筹集；冯凯——撰写审阅与编辑、指导、项目管理、资金筹集、概念构思。利益冲突声明：作者们声明自己没有已知的可能影响本文所述研究的财务利益或个人关系。