一种用于工业振动筛的鲁棒增强型跨域故障诊断方法

《Expert Systems with Applications》：Robust enhanced cross-domain fault diagnosis method for industrial vibrating screens

针对工业振动筛故障诊断中存在的跨域分布差异问题，提出ReCDFD方法，通过集成灰色关联度、最大信息系数和跨域差异的特征选择，结合多粒度特征对齐策略，构建增强型跨域自适应网络EDA-Net，有效提升诊断准确性和模型泛化能力。

　　

戴伟|李杰龙|南静|王兰浩|苏东东

中国矿业大学信息与控制工程学院，徐州，22116，中国

摘要

工业振动筛通常部署在复杂且多变的工作环境中，这导致振动数据分布发生变化。现有的振动筛故障诊断方法主要关注固定领域，无法适应不断变化的工业条件。本文提出了一种新颖的鲁棒增强型跨域故障诊断方法（ReCDFD）用于工业振动筛。具体而言，通过整合灰关联度、最大信息系数和跨域差异，开发了一种鲁棒的域特征选择方法，以提取具有更好代表性和稳定性的高质量域特征。此外，通过利用最大均值和协方差差异以及特征区分度量，构建了一种增强的域对齐策略，以减少全局和局部特征分布差异，同时促进类内紧凑性和类间可分性。最后，为了提高诊断模型的泛化能力和跨域适应性，提出了一种增强型域适应网络（EDA-Net）来学习域迁移知识。使用工业振动筛数据集在六个真实世界跨域任务上的实验表明，所提出的方法具有更高的诊断准确性和更强的泛化能力。

引言

作为工业生产中的关键大型设备，振动筛在煤炭、冶金、建筑材料等多个行业中得到广泛应用（Zhang & He, 2024）。其工作原理是利用机械振动来实现不同粒径材料的分离。然而，在材料冲击力、激励力和惯性力等多种载荷的影响下，振动筛容易出现筛板松动、梁断裂、激励器损坏等问题（Krukenfellner, Rueckert, & Flachberger, 2024）。这些问题不仅会降低生产效率，还可能导致严重的生产中断。因此，准确及时的振动筛故障诊断对于确保连续高效的工业生产过程至关重要。

目前，数据驱动模型在振动筛故障诊断领域受到了广泛关注（Nan, Qin, Arunan, Dai, & Yuen, 2024b）。然而，这些模型在实际工业应用中面临许多挑战。首先，数据驱动模型通常假设训练数据和测试数据具有相同的分布（Chen, Xiang, Liu, Xu, & Fang, 2025）。不幸的是，由于操作条件变化、环境噪声干扰以及振动筛的自然老化等因素，这一假设往往难以实现（Xu, Li, Chai, & Guo, 2024）。其次，实际工业中振动筛故障数据的稀缺性阻碍了模型训练。此外，从零开始为不同类型的振动筛建立模型既复杂又耗时（Liu et al., 2023）。幸运的是，域适应（DA）技术克服了跨域分布差异，充分利用了有效的故障样本，从而实现了诊断模型的快速适应和泛化，为上述问题提供了有效的解决方案。

基于DA的故障诊断方法大致分为三类：对抗学习方法、重构方法和距离度量方法（Lee et al., 2024）。对抗学习方法可以通过对抗训练学习域不变特征来处理分布差异。然而，它们面临参数调整复杂和计算成本高的挑战（Yang, Zhang, He, Zhu, & Xu, 2024）。重构方法总是通过编码器从源域和目标域提取特征，并使用解码器重构目标域数据，通过最小化重构误差和特征分布差异来实现特征对齐。然而，这些方法通常对数据分布有更严格的要求，难以有效处理复杂的分布差异（Deng et al., 2021）。作为广泛采用的DA技术之一，距离度量方法可以利用特定的距离度量将源域和目标域的特征映射到再生核希尔伯特空间（RKHS），并通过最小化域间距离来实现特征对齐（Liu & Gryllias, 2022）。

由于工业系统中故障数据的分布复杂多样，基于神经网络的DA方法因其强大的适应性和灵活性而得到了广泛应用。深度DA方法和浅层DA方法是两个典型的类别（Nan, Dai, Yuan, & Zhou, 2024a）。前者包括对抗域适应（Li et al., 2026）、残差传输网络（Li, Ma, Wu, Li, & Wang, 2024）、深度解耦域适应（Wu, Guo, Liu, Li, & Ji, 2024b）等。尽管这些方法在理论上具有适应性，但其高昂的计算成本和复杂的网络结构导致决策解释性较差，限制了它们的应用。与深度DA相比，浅层DA可以通过使用轻量级模型和简单架构（如域适应支持张量机（Gao, Gu, Chen, & Zhou, 2023）、域适应极端学习机（Wang, Zhang, Li, Duan, & Yan, 2025）、带随机向量功能链接的单向联合域配准（Li, Zhao, & Chen, 2021）等）提供更高效、更易于理解的解决方案。这些浅层方法计算效率高，决策过程透明，适用于需要快速响应和高解释性的工业场景。

然而，深度和浅层DA方法的性能在很大程度上依赖于跨域输入特征的质量。在实际工业应用中，振动数据在特征提取过程中往往会产生冗余特征。传统的特征选择方法通常基于单域统计属性选择特征。因此，不同域之间的特征变异性和可分性常常被忽略，这可能导致选定的特征在源域具有区分性，但在目标域由于分布差异而无效（Peng, Ouyang, Gui, Li, & Tang, 2023）。此外，直接对齐原始高维特征可能会导致由于冗余特征的干扰而使得域间分布对齐不足，甚至可能引入负面迁移风险。

最近，以鲁棒性为导向的域适应受到了越来越多的关注。一些研究引入了模糊建模机制来处理模糊的域边界，并在特征对齐过程中减轻不确定性，从而在复杂分布变化下提高鲁棒性（Shi, Lu, Fang, & Zhang, 2024）。同时，通用表示学习专注于学习在未见过的域中保持稳定的紧凑和区分性表示（Shi, Lu, Ye, Zhang, & Fang, 2025）。此外，最近的研究探索了标签不足场景下的多域平衡策略（He et al., 2025b）和基于扩散模型的域保持学习范式（He et al., 2025a），进一步强调了在演变条件下鲁棒性和泛化的重要性。这些进展表明，可以通过显式建模不确定性、保留域特定特征或提高学习表示的固有跨域稳定性来实现鲁棒性，类似的挑战也出现在其他感知任务中，如隐藏对象分割（He et al., 2025c）。因此，从复杂振动数据中提取的鲁棒且物理可解释的跨域故障特征对于提高跨域场景中的诊断准确性和泛化能力至关重要。

受上述问题的启发，本文提出了一种新颖的鲁棒增强型跨域故障诊断方法，称为ReCDFD，用于振动筛。主要贡献总结如下：

•

提出了一种鲁棒的域特征选择方法，以提高跨域诊断中特征的质量。该方法通过计算灰关联度、跨域分布差异和最大信息系数来量化特征信息。通过三维联合评估，构建了一种新的特征评估指标，并根据其统计分布自动选择最优特征子集。

•

通过设计一种多粒度特征对齐方法，该方法在特征空间内应用特征紧凑性和类质心分离约束，以建立区分性特征指标。这种策略优化了特征空间的结构，减轻了决策边界的模糊。

•

本文提出了一种增强型域适应网络（EDA-Net），它在统一框架内协同优化特征区分度量和自适应加权联合分布差异。这种方法促进了域知识的连续迁移，并提高了模型的泛化能力。

本文的其余部分组织如下。第2节描述了相关工作。第3节描述了振动筛的数据特性和相关问题。第4节详细描述了所提出的方法。第5节展示了在不同跨域任务上的实验结果。第6节得出了结论和讨论。

部分摘录

相关工作

近年来，传感技术和人工智能的快速发展使得数据驱动方法成为振动筛故障诊断领域的一个突出研究方向。许多研究结合信号分析和机器学习技术从振动信号中提取故障相关特征，并开发了智能分类模型。例如，一种结合小波包能量特征提取和遗传算法优化的方法

问题阐述

本节描述了振动筛的各种故障类型和数据分布差异问题。为便于理解，本文在表1中定义了缩写，并在表2中总结了关键数学符号。此外，还提供了与跨域故障诊断相关的符号和定义。

方法论

本节详细解释了所提出方法的整体框架和具体步骤。

实验与讨论

本节介绍了实验设置、实验细节、最终实验结果和分析。结果表明，所提出的方法在不同迁移任务上具有出色的诊断性能。

结论与讨论

本文提出了一种新颖的鲁棒增强型跨域故障诊断方法，用于振动筛，实现了源域和目标域之间的有效知识迁移。采用鲁棒域特征选择方法提取高质量特征，从而减少了无关因素的干扰。然后，利用联合分布差异和特征区分度量方法实现域间的分布对齐。此外，还

CRediT作者贡献声明

戴伟：正式分析、撰写 – 审稿与编辑、资金获取。李杰龙：方法论、正式分析、撰写 – 原稿。南静：正式分析、撰写 – 审稿与编辑。王兰浩：正式分析、数据整理、调查。苏东东：正式分析、资源获取、数据整理。

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。