最大间隔域自适应下的跨域不平衡故障诊断——基于类别重加权与最大间隔局部对齐的多尺度卷积神经网络方法

《Machines》：Maximum Margin Local Domain Adaptation for Bearing Fault Diagnosis Under Multiple Operating Conditions Zifeng Wang, Zhaomin Lv, Xingjie Chen, Hong Zhang and Zhiwei Li

　　

针对跨工况下源域存在类不平衡时传统深度迁移学习方法特征分布对齐效果差、泛化能力低的问题，研究人员提出了一种最大间隔局部域适配（Maximum Margin Local Domain Adaptation, MMLDA）方法用于滚动轴承跨域不平衡故障诊断。该方法以多尺度一维卷积神经网络（Multi-scale 1D-CNN）为特征提取骨干，引入三类组件：(1) 基于有效样本数（Effective Number）的类别平衡损失（Class-Balanced Loss, CBL）缓解源端类不平衡；(2) 跨域局部类别对齐（Local Category Alignment）实现细粒度分布匹配以减小特征偏移（Feature Shift）；(3) 最大间隔损失（Maximum-Margin Loss）对边界附近困难样本施加自适应间隔约束以增强决策边界鲁棒性。在公开轴承数据集上的实验表明，所提MMLDA方法在跨域类不平衡场景下较对比方法取得了更优的平均故障识别准确率与F1分数。

论文解读：最大间隔局部域适配（MMLDA）用于跨域不平衡滚动轴承故障诊断

一、研究背景与问题提出

在机械旋转部件（如滚动轴承）的故障诊断中，变工况导致振动信号分布差异（域偏移，Domain Shift），使在实验室源域训练的模型难以直接用于现场目标域。同时工业现场故障样本远少于正常样本，形成类不平衡（Class Imbalance）。现有深度域适配（Deep Domain Adaptation, DDA）方法如最大均值差异（Maximum Mean Discrepancy, MMD）或对抗训练多关注全局分布对齐，忽略类别内局部结构及类不平衡带来的偏置梯度，致使少数类特征被多数类淹没、决策边界模糊，跨域泛化性能严重退化。为此，研究人员在《Machines》期刊上发表了本文，提出最大间隔局部域适配（Maximum Margin Local Domain Adaptation, MMLDA）方法，旨在通过类别敏感重加权、局部细粒度对齐与最大间隔正则化协同解决上述问题。

二、关键技术方法概述

研究人员采用公开滚动轴承故障数据集（如CWRU西储大学轴承数据集）构建多组跨域类不平衡诊断任务（源域含完整/不平衡标注样本，目标域无标注或仅含无标注样本）。主干为四层多尺度一维卷积神经网络（Multi-scale 1D-CNN）：首层大核宽卷积抑噪，后续层核尺寸递减捕获局部故障特征，末端自适应池化输出特征向量。整体损失函数由三部分构成：①源域类别平衡交叉熵损失（Class-Balanced Cross-Entropy Loss, CBL），按有效样本数N_c=(1-β^n_c)/(1-β)对各类别赋予反权重α_c∝1/N_c缓解不平衡；②局部类别对齐损失（Local Category Alignment Loss），将源/目标域同类特征聚类拉近、异类推远以实现细粒度跨域匹配；③最大间隔损失（Maximum-Margin Loss），对分类边界附近困难样本（Hard Samples）施加类依赖自适应间隔约束，增大异类间隔提升边界判别力。总损失为三者加权和，端到端训练后评估跨域诊断精度与F₁分数。

三、研究结果（按论文章节与小标题归纳）

3.2. Methodology Overview

研究人员设计了MMLDA整体框架：多尺度1D-CNN提取特征→类别重加权CBL监督源域分类→跨域局部类别对齐缩小分布差异→最大间隔损失正则化决策边界。框架可同时处理源域类不平衡与跨域分布漂移。

3.3. Feature Extraction and Supervised Classification

选用多尺度1D-CNN作特征提取器G_θg，分类器为F_θf。源域上以最小化标准交叉熵损失?_S-CE(θ_g,θ_f)=1/n_sΣ_i=1^n_s?_CE(?_i,y_i)完成预训练，为后续迁移提供可靠初始化。

3.4. Category-Level Reweighting

引入类别平衡损失（Class-Balanced Loss, CBL）。对于类别c（样本数n_c），定义有效样本数N_c=(1-β^n_c)/(1-β)，β∈[0,1)为超参。权重α_c=(C/N_c)/Σ_k=1^C(1/N_k)，满足Σα_c=C。CBL形式为?_CB=α_c·?(p,y)=(1-β)/(1-β^n_y)·(-ln[p_y])，其中p=softmax(v)。该机制降低多数类权重、提升少数类贡献，减轻不平衡导致的梯度偏置。

3.5. Cross-Domain Local Category Alignment

为克服全局对齐忽略类内局部结构的缺陷，研究人员计算同类别源/目标特征条件概率分布差异并最小化之，使每类在特征空间分别对齐，减少特征偏移（Feature Shift）且避免异类特征混叠。

3.6. Maximum-Margin Loss Regularization

定义最大间隔损失对靠近分类超平面的困难样本施加大于标准SVM间隔的类专属间隔λ_c，形式为正则项?_MM=Σ_x∈Ds∪Dt??[F(G(x))难分]·max(0, λ_c-|f(x)|)（概念性描述），迫使异类特征分离、同类紧凑，增强对噪声与分布漂移的鲁棒性。

3.7. Experimental Results

在CWRU等数据集上设置多种不平衡比（Imbalance Ratio, IR=如[1:1, 1:5, 1:10]）与跨域任务（如负载A→负载B）。结果表明MMLDA的平均准确率与宏平均F₁均显著高于普通DAN、DANN、CDAN及不加CBL/MMLoss的基线CNN，尤其在高度不平衡（IR=1:10）跨域条件下优势明显，验证了类别重加权、局部对齐与最大间隔三项机制互补的有效性。

四、讨论与结论

研究人员指出，传统域适配忽视源域类不平衡会导致迁移偏向多数类，而仅用重加权不配局部对齐则无法消除跨域偏移、仅用对齐不加重加权则少数类仍被抑制。MMLDA通过三者联合优化，在跨域不平衡故障诊断任务中实现了更均衡、鲁棒的性能提升。结论为：所提最大间隔局部域适配（MMLDA）方法能有效缓解变工况下类不平衡引起的深度迁移诊断性能退化，为工业设备跨域小样本/不平衡故障诊断提供了一种可行方案，具备工程应用价值。