基于匹配优化与因果解纠缠的域泛化故障诊断方法

《Engineering Applications of Artificial Intelligence》：A domain generalization fault diagnosis method based on matching optimization and causal disentanglement

　　

运行条件的多变性通常会导致分布偏移（distribution shift），且在工程实践中目标域数据的不可见性削弱了传统监督学习方法在故障诊断中的性能。域泛化故障诊断（Domain Generalization Fault Diagnosis, DGFD）能够有效应对这一挑战。然而，随着分布差异的增大，提取域不变（domain-invariant）特征变得更加困难，这限制了现有DGFD方法的适用性。此外，当前大多数DGFD方法侧重于建模数据与标签之间的表层相关性，模型可能仅捕获到在源域内统计稳定但缺乏因果泛化能力的伪不变特征。为解决这些问题，研究人员提出了一种基于匹配优化与因果解纠缠（Matching Optimization and Causal Disentanglement, MOCD-DG）的DGFD方法。该方法包含两个阶段：匹配优化与因果解纠缠。在匹配优化阶段，从故障类型和域的双重角度构建语义一致的样本对，引导模型在特征空间中聚合与故障和域相关的表示。同时，引入基于L2距离的动态更新机制以提高正样本对的质量。在因果解纠缠阶段，基于结构因果模型（Structural Causal Model, SCM）设计了双分支架构，其中融入了特异性约束和互补性约束，分别建模故障相关的因果判别特征和域特定的干扰因子。为验证MOCD-DG的有效性，研究人员进行了多项跨域诊断任务。结果表明，与次优方法相比，所提方法在诊断准确率上分别提高了7.58%、5.76%和10.05%。

该研究论文《A domain generalization fault diagnosis method based on matching optimization and causal disentanglement》由Liuyang Song、Zesheng Lin、Xingchi Lu、Mingzhe Zhang及Huaqing Wang（北京化工大学机电工程学院）撰写，发表于期刊《Engineering Applications of Artificial Intelligence》。

研究背景方面，旋转机械故障诊断对于降低系统维护成本及保障安全运行至关重要。传统机器学习方法依赖人工提取特征，泛化能力有限且需大量领域专业知识。尽管基于深度学习（Deep Learning, DL）的方法（如卷积神经网络CNN、自编码器AE、循环神经网络RNN、长短期记忆网络LSTM、图神经网络GNN）能自动提取判别性故障特征，但其通常假设训练与测试数据独立同分布（i.i.d.）。然而，实际工业应用中因运行条件变化常发生数据分布偏移（域偏移，domain shift），导致i.i.d.假设失效。域适应故障诊断（Domain Adaptation Fault Diagnosis, DAFD）虽能缓解分布差异，但通常依赖未标记的目标域数据，而目标域数据往往难以及时获取且工况动态变化，限制了其实时适应性。因此，域泛化故障诊断（Domain Generalization Fault Diagnosis, DGFD）因能在不访问目标域数据的情况下学习强泛化特征表示而备受关注。

目前存在的问题主要包括：第一，当不同源域间分布差异较大时，现有方法缺乏针对同故障类型跨域样本的动态调整与精确匹配机制，难以有效提取稳定的类-域不变特征；第二，现有方法多未显式建模特征中的因果结构，主要通过分布一致性对齐或语义结构约束进行特征适配，易对动态变化或未知工况下的混杂因子敏感，可能仅提取出源域内稳定但缺乏泛化能力的伪不变特征。

为此，研究人员开展了基于匹配优化与因果解纠缠（MOCD-DG）的DGFD方法研究。该方法旨在解决大分布差异下稳定跨域故障特征提取困难，以及现有方法可能提取伪不变特征的问题。研究结论表明，MOCD-DG能有效增强稳定跨域故障特征的提取，并提高识别真正域不变故障特征的准确性。实验结果显示，在PU、BJTU和Pump数据集上，所提方法相较于次优方法，诊断准确率分别提升了7.58%、5.76%和10.05%，具有显著的有效性和泛化能力。该研究成果对于提升变工况下故障诊断模型的泛化性能具有重要的工程应用价值。

作者采用的关键技术方法包括：1. 多源域泛化故障诊断（Multi-source DGFD）设定，使用K≥2个带标签源域数据训练；2. 匹配优化阶段：构建“跨域同故障”与“域内不同故障”双语义视角的样本对，并引入基于L2距离的动态匹配更新策略；3. 因果解纠缠阶段：基于结构因果模型（SCM）设计双分支表示学习架构，分别通过匹配损失、因果一致性损失（特异性约束）以及冗余抑制损失、重构损失（互补性约束）实现故障相关因果判别特征与域相关干扰因子的解耦；4. 实验验证：使用PU（Paderborn University）、BJTU及Pump三个数据集，构建多种跨条件转移场景进行诊断任务测试。

研究结果主要如下：

引言（Introduction）：阐述了旋转机械故障诊断的重要性及传统方法与深度学习方法（CNN、AE、RNN、LSTM、GNN）的局限性，指出i.i.d.假设在实际域偏移下的失效。介绍了DAFD方法（如结合CORAL损失与对抗域分类器、动态加权最大均值差异MMD、深度对抗混合域适应网络）及其对目标域数据的依赖限制，从而引出DGFD的必要性。回顾了基于数据增强（关系映射与样本生成、对抗训练与分布差异最大化、多源混合增强策略）与分布对齐（深度子域泛化网络、全局与局部兼容学习、类级三元组损失与对抗域对齐、多源分类器输出差异与对抗训练）的现有DGFD方法，并指出其在大分布差异下缺乏动态样本匹配机制及易提取伪不变特征的问题。由此提出MOCD-DG方法，包含双语义匹配更新机制和双分支因果解纠缠架构两大贡献，并在PU、BJTU、Pump数据集上验证。

多源DGFD（Multi-source DGFD）：定义了多源DGFD的基本公式，设有K≥2个标记源域，第k个源域包含N_k个样本对（x_kⁱ, y_kⁱ），联合分布为P_k(X_k, Y_k)。从不变特征学习视角出发，考虑同一故障类型在不同域下振动模式的差异。

描述（Description）：指出设备运行条件变化导致信号分布偏移，实际应用中目标域数据通常不可见，因此需开发能从有限源域中学习域独立信息的域泛化方法。但当源域间分布差异大时，学习跨域不变特征具有挑战性；且仅进行特征适配易受混杂因子影响，需因果结构建模。

实验设置（Experimental setup）：为全面评估所提方法在跨条件场景下的有效性、鲁棒性及泛化能力，研究人员在多种运行条件下进行了一系列DGFD实验。采用了三个代表性数据集：两个公开数据集——Paderborn University KAT数据中心的PU数据集（Lessmeier et al., 2016）和北京交通大学（BJTU）国家重点实验室发布的BJTU数据集，以及一个Pump数据集。

结果与讨论（Results and discussion）：呈现了综合实验结果以评估所提多源域泛化故障诊断方法。第5.1–5.3节报告了PU、BJTU和Pump数据集上的分类结果，侧重定量性能评估；第5.4节提供所有数据集的统一比较分析，系统展示整体诊断性能；此外，第5.5节进行了消融研究。

结论（Conclusion）：为应对变运行条件下分布差异对故障诊断模型泛化性能的影响，研究人员提出了MOCD-DG。通过结合匹配优化机制与因果解纠缠框架，该方法不仅增强了稳定跨域故障特征的提取，还提高了识别真正域不变故障特征的准确性。实验结果表明，所提方法总体表现优于现有对比方法。

讨论部分总结：论文讨论了在分布差异较大的多源域场景下，传统DGFD方法因缺乏精细的样本匹配策略及因果结构建模，导致特征提取不稳定和泛化能力受限。通过引入双视角的语义匹配优化与基于SCM的因果解纠缠双分支结构，MOCD-DG实现了故障判别信息与域扰动的显式分离，从而在未见工况下获得了更为鲁棒和准确的诊断效果。研究证实了因果解纠缠在域泛化故障诊断中的重要作用，为后续相关方法的开发提供了新思路。

研究结论部分翻译：为解决不同运行条件下分布差异对故障诊断模型泛化性能的影响，本文提出了MOCD-DG。通过结合匹配优化机制与因果解纠缠框架，所提方法不仅增强了稳定跨域故障特征的提取，而且提高了识别真正域不变故障特征的能力。实验结果显示，所提方法总体表现良好。