《Engineering Applications of Artificial Intelligence》：A single domain generalization fault diagnosis method based on multi-scale style enhancement and causal contribution alignment
编辑推荐：
近年来，单域泛化(Single-Domain Generalization, SDG)故障诊断因仅依托单一源域即可泛化至未见目标域，成为智能故障诊断领域的研究热点。域泛化的核心在于挖掘不同数据分布下的内在不变性，而该特性与因果关系密切相关。现有基于因果推断的故
近年来，单域泛化(Single-Domain Generalization, SDG)故障诊断因仅依托单一源域即可泛化至未见目标域，成为智能故障诊断领域的研究热点。域泛化的核心在于挖掘不同数据分布下的内在不变性，而该特性与因果关系密切相关。现有基于因果推断的故障诊断方法多聚焦于跨域因果特征的不变性，本研究则关注更强形式的稳定性——即特征对故障标签的因果贡献跨域一致性，据此提出融合多尺度风格增强(Multi-scale Style Enhancement, MSSE)与因果贡献对齐(Causal Contribution Alignment, CCA)的新型SDG故障诊断方法。首先，针对源域数据多样性不足的问题，通过MSSE模块模拟域偏移并生成多样化伪域样本；其次，借助因果归因量化特征对诊断标签的因果贡献；最后，结合对比学习与域对抗训练，强制源域与伪域特征的因果贡献对齐，从而学习稳定且跨域不变的因果表征。在两个公开基准数据集上的综合实验表明，该方法性能持续优于现有故障诊断方法。
研究背景与意义
工业系统的安全稳定运行高度依赖精准的故障诊断技术。深度学习凭借强大的自动特征提取能力，已成为处理复杂监测数据的核心工具，但在实际工业场景中，设备运行工况波动、设备个体差异等因素常导致数据分布发生偏移，严重制约了深度学习模型的泛化能力。为解决这一问题，迁移学习中的域自适应(Domain Adaptation, DA)需训练阶段获取目标域未标注数据，而域泛化(Domain Generalization, DG)仅需源域数据即可训练出强泛化模型，其中单域泛化(SDG)因仅需单一源域数据即可适配多个未见目标域，近年受到广泛关注。当前SDG研究主要分为数据增强、域对齐与模型可解释性三类：数据增强通过生成伪域样本丰富源域分布，但多为相关性驱动，缺乏对特征与诊断结果间因果关系的显式约束；因果推断虽被引入以区分因果与非因果特征，但现有方法多假设“因果特征本身跨域稳定”，忽略了复杂工业场景中“特征对预测的因果贡献比特征本身更稳定”的特性，易引入仅在源域成立的伪因果关系。针对上述不足，研究人员提出融合多尺度风格增强(MSSE)与因果贡献对齐(CCA)的SDG故障诊断框架，发表于《Engineering Applications of Artificial Intelligence》。
关键技术方法
研究采用两个旋转机械试验台数据集：江南大学(Jiangnan University, JNU)轴承数据集（含3种转速、4种健康状态）与自研齿轮传动数据集。核心技术包括：1) 多尺度风格增强(MSSE)模块：结合多尺度变换与自适应实例归一化(Adaptive Instance Normalization, AdaIN)，生成语义一致但分布多样的伪域样本；2) 因果贡献量化：将深度学习架构建模为结构因果模型(Structural Causal Model, SCM)，通过do-干预计算平均因果效应(Average Causal Effect, ACE)向量，表征特征对诊断结果的因果贡献；3) 因果贡献对齐：构建基于ACE向量的对比学习框架，结合梯度反转层(Gradient Reversal Layer, GRL)的域对抗训练，实现源域与伪域因果贡献的跨域对齐。
研究结果
相关研究工作
通过系统梳理SDG故障诊断与因果学习相关研究，从特征解耦、域不变表征学习、因果建模三个维度总结现有成果，明确现有方法在“因果贡献跨域稳定性”研究上的空白，为本文研究提供理论依据。
所提方法设计
首先明确SDG故障诊断的问题定义，整体框架包含三大模块：MSSE模块负责模拟域偏移生成伪域样本，解决单源域数据多样性不足问题；因果贡献估计模块通过ACE量化特征对诊断标签的因果影响；因果贡献对齐模块通过对抗训练与对比学习，强制不同域样本的ACE向量分布一致，最终实现跨域稳定的因果表征学习。
性能验证
在两个旋转机械数据集上开展对比实验，结果表明：所提方法的诊断精度显著优于现有主流SDG故障诊断方法，尤其在跨工况、跨设备的未见目标域中，表现出更强的泛化鲁棒性。
工程部署可行性分析
从计算效率、噪声鲁棒性、类别不平衡适应性三个维度评估工程适用性：模型推理速度满足工业实时监测需求，在信噪比为-6dB的强噪声环境下仍保持90%以上的诊断精度，且在少数类样本占比仅为10%的不平衡场景中，精度下降幅度低于5%，具备良好的工业落地潜力。
结论与讨论
研究提出的MSSE-CCA框架突破了传统SDG方法仅关注特征层面不变的局限，首次将“因果贡献跨域一致性”作为域泛化目标，通过ACE向量量化特征对诊断结果的因果影响，结合伪域生成与对抗对齐策略，有效抑制了源域伪因果关系的干扰。实验验证了该方法在旋转机械故障诊断中的优越性，为复杂工业场景下的小样本、跨工况故障诊断提供了新的技术路径。研究同时指出，未来可进一步探索多模态监测数据下的因果贡献对齐机制，以及轻量化模型设计以降低边缘端部署成本。
