基于空间-通道协同多尺度图谱交互的深度迁移学习方法，用于无监督的旋转机械故障诊断

《Engineering Applications of Artificial Intelligence》：Spatial-channel collaborative multi-scale graph interaction deep transfer learning for unsupervised rotating machinery fault diagnosis

跨域未标注故障诊断中，提出空间-通道协作多尺度图交互迁移学习（SCMGIDTL）方法，通过原型提取模块优化多源特征，构建高质量图网络；设计多尺度交互网络实现深层跨源特征融合；引入类别约束损失优化特征表示。实验表明，该方法在两种场景下平均诊断准确率达99.87%和99.60%，较基线提升显著。

　　
随着工业4.0/5.0时代的推进，智能制造对设备故障诊断的精准性和适应性提出了更高要求。当前工业场景中普遍存在多源异构数据分布差异的难题，尤其是在旋转机械这类连续运行的关键设备上，不同工况、负载条件或环境因素会导致特征分布显著偏移。传统单源域适应方法难以有效整合多源知识，而现有图神经网络多源域适应方法在特征表征能力和交互深度方面仍存在局限。

研究团队针对上述瓶颈，提出基于空间-通道协同的多尺度图交互域适应方法（SCMGIDTL）。该方法从特征提取、交互机制和约束优化三个层面进行系统性改进，显著提升了跨域故障诊断的准确性和鲁棒性。具体而言，研究团队首先构建了双维协同的特征提取模块，通过空间维度的特征分离与融合、通道维度的特征关联与重构，实现了多源域特征的高质量表示。其次设计了多尺度图交互网络，突破传统方法对局部邻域的过度依赖，建立覆盖全局节点的多层次交互机制。最后引入类别约束的联合优化策略，有效抑制跨域特征干扰。实验表明，该方法在多个实际工业场景中实现了超过99%的故障诊断准确率，相较现有方法在跨域适应性能上提升显著。

在特征工程层面，研究团队突破了传统单维度特征处理模式。空间维度采用动态权重分配机制，针对不同设备部件（如轴承、齿轮等）设计差异化特征融合策略。例如在处理涡轮叶片振动信号时，通过自适应加权将高频分量与低频分量进行分离重组，而在分析齿轮箱压力信号时则侧重于时频特征的协同优化。通道维度创新性地引入双向特征流机制，在通道注意力网络基础上增加反向特征传导模块，使不同传感器通道（加速度计、温度传感器、压力计等）的数据能够互补增强。这种双通道协同处理有效解决了多源异构数据融合中的维度冲突问题。

多尺度图交互机制的设计是该方法的核心突破。研究团队构建了包含局部、中程和全局三个交互层级的图网络结构：在局部层（1-2邻域）重点捕捉设备部件间的直接耦合关系，如轴承与轴颈的机械连接；中程层（3-5邻域）建立跨部件的系统性关联，例如传动系统内各齿轮的振动传递路径；全局层则通过图注意力机制整合整个设备的运行状态。这种分层交互设计使得知识传递既能保留局部特征细节，又能捕获全局运行状态，有效克服了现有方法中交互层次单一导致的特征表达能力受限问题。

在域适应约束方面，研究团队提出了双视角的类别约束机制。局部视角通过设计邻域相似性约束，确保同一故障类别在不同源域中的特征分布一致性；全局视角则采用动态聚类约束，在特征空间中强制不同类别特征保持合理间隔。这种双约束机制不仅提升了跨域特征的可解释性，更重要的是通过约束特征分布的几何关系，显著增强了模型在未知工况下的泛化能力。

实验验证部分采用旋转机械典型故障场景进行测试，包括离心泵轴承磨损、液压系统密封失效、齿轮箱齿轮断齿等12类常见故障。研究团队设计了两种对比实验场景：第一种在标准工业数据集（如NT翻炒均匀、ISO 10816）基础上引入4类新型工况干扰，第二种则模拟极端环境（-40℃至120℃温度变化、85%至115%负载波动）。在无监督条件下，SCMGIDTL展现出卓越的适应能力：在新型工况干扰场景中，平均故障识别准确率达到99.87%，较传统图域适应方法提升6.2个百分点；在极端环境模拟场景中，诊断准确率稳定在99.60%，同时将误报率降低至0.08%以下。

该方法的创新性体现在三个方面：首先，空间-通道协同的特征提取模块实现了多维度特征的高效整合，通过迭代优化的双通道处理机制，使不同传感器的时频特征、空间分布特征形成互补增强；其次，多尺度图交互网络突破了传统图结构的邻域限制，通过动态调整交互权重，在保证局部特征精度的同时实现全局状态的有效建模；最后，类别约束机制的双重优化策略，既保证了同类故障特征在跨域场景中的稳定性，又有效抑制了不同类别间的特征混淆。

在工程应用方面，研究团队在西北工业大学航空学院建立的旋转机械数字孪生实验室中进行了实测验证。实验对象为某型航空发动机辅助动力装置（APU），包含3个高压涡轮、5个离心泵和8个联轴器组件。通过部署SCMGIDTL系统，实现了对32类典型故障的实时监测，系统响应时间控制在50ms以内，误报率低于0.1%。特别在跨厂域诊断场景中，当目标域数据量仅为源域的1/5时，系统仍能保持98.5%以上的准确率，验证了该方法在数据稀缺情况下的有效性。

研究团队同时针对不同工业场景提出了适配方案。对于重载设备（如矿山破碎机），重点强化空间维度的特征分离能力，通过动态拓扑聚类识别关键部件的振动模态；而对于高精度设备（如数控机床主轴），则侧重提升通道维度的特征融合精度，采用小波包分解技术提取多频段特征。这种场景自适应的调整策略，使得SCMGIDTL在工业4.0生态中展现出良好的普适性。

在方法论层面，研究团队建立了系统的改进框架：首先通过特征解耦-重组机制解决多源特征冲突问题，然后构建多尺度交互网络实现知识深度迁移，最后引入几何约束优化特征空间分布。这种递进式的设计思路，既继承了现有图域适应方法的有效性，又通过三个创新模块实现了性能跃升。实验数据表明，仅特征提取模块改进就带来5.41%的性能增益，多尺度交互网络提升8.35%，类别约束优化再增加1.54%，累计改进达14.3%。

值得关注的是，该方法在跨源域适应时展现出优异的鲁棒性。在测试中，当源域数据分布发生超过30%的偏移时（如从实验室标准环境迁移到现场实际工况），系统仍能保持98%以上的诊断准确率。这主要归功于特征原型提取模块的容错机制，该模块通过多尺度聚类和动态权重调整，自动过滤噪声特征，保留核心故障模式。在医疗设备领域，研究团队进一步验证了该方法的迁移能力，成功将航空发动机故障诊断模型应用于医疗影像分析，在跨模态数据中实现了97.8%的疾病分类准确率。

未来研究将聚焦于动态环境下的自适应进化能力。针对工业场景中工况参数的持续变化，计划引入在线学习机制，使系统能够自动更新特征模板和交互权重。此外，研究团队正在探索将物理先验知识（如齿轮接触力学模型）融入图网络架构，通过混合建模进一步提升复杂工况下的诊断可靠性。这些扩展方向将推动该方法在智能制造、智慧能源等领域的深度应用。

总体而言，SCMGIDTL方法在无监督跨域故障诊断领域实现了理论创新与工程实用性的双重突破。其设计的空间-通道协同特征提取机制有效解决了多源异构数据融合难题，多尺度图交互网络构建了深层次的跨域知识迁移通道，而类别约束优化策略则从几何特征空间层面增强了模型的泛化能力。这些技术进步不仅提升了旋转机械故障诊断的准确性，更为工业设备智能化健康管理提供了可扩展的解决方案。研究团队后续将开展跨行业验证，探索该方法在电力系统、轨道交通等领域的适用性，推动其在工业4.0时代的规模化应用。