基于多域自适应网络的行星齿轮箱故障诊断方法

《Applied Soft Computing》：Fault diagnosis method for planetary gearboxes based on multi-domain adaptive network

　　段建东|苏振豪|何宇|石万开 中国重庆400044，重庆大学先进装备机械传动国家重点实验室 摘要：智能故障诊断是现代制造系统可靠性与安全性的重要保障，但其实际应用仍面临诸多挑战，如标注数据稀缺、类别失衡严重，以及仿真环境与真实运行环境之间存在不可避免的差异。为克服这些限制，本研究提出了一种深度仿真引导的多模态自适应网络（DSMA-Net），该网络将仿真引导学习、跨模态交互和针对失衡问题的优化整合于同一框架之中。DSMA-Net包含三项创新机制：一是子域感知动态对齐机制，能够细粒度调整仿真数据与真实数据分布之间的差异，从而抑制负面迁移效应；二是跨模态动态融合模块，通过双向注意力机制实现振动信号与电流信号之间的信息交互，挖掘二者潜在的互补诊断价值；三是边缘感知正则化目标函数，可同时优化特征对齐、多模态一致性及几何可区分性，确保在极端类别失衡情况下系统的稳定性。在公共数据库及自行构建的齿轮箱数据集上的大量实验表明，DSMA-Net在诊断精度、鲁棒性及泛化能力方面均优于现有的高级领域自适应与融合方法。这些结果表明，DSMA-Net有望成为弥合仿真与现实差距、推动智能机械诊断向更高效、可解释且可靠的工业应用发展的有效途径。引言：工业故障诊断对于维护现代制造系统的安全性、可靠性及生产效率至关重要。随着工业物联网与智能监测技术的快速发展，来自振动、电流、声学及温度传感器的大量异构数据日益丰富。深度学习方法在自动提取有价值特征及实现端到端故障分类方面展现出巨大潜力，其性能已超越传统的信号处理及基于模型的诊断方法[1][2][3]。尽管取得了这些进展，但在实际工业环境中仍存在若干固有挑战。首先，由于标注过的故障样本极为稀缺，难以训练出具备强泛化能力的数据驱动模型。许多工业部件往往长期稳定运行，故障发生频率较低，这导致了严重的类别失衡以及有限的故障模式种类[4][5]。其次，虽然数字孪生技术通过基于物理的建模方法能够生成高保真的仿真故障数据，但仿真数据与真实数据分布之间的差异往往会导致领域偏移或负面迁移现象[6][7]。最后，复杂设备的运行状态本质上是多模态的，不同传感器能够捕捉到设备动态行为的不同方面。振动信号通常反映机械冲击与结构变形情况，而电流信号则对应电磁负载的变化。高效融合多模态信息是构建全面诊断模型的关键[8]。尽管已有大量研究致力于解决上述问题，但现有方案仍存在一些限制，影响了其可扩展性与稳定性。(1)数字孪生辅助仿真与领域自适应：基于物理的数字孪生模型被广泛用于扩充少数类故障样本并丰富训练数据。相关研究通过有限元仿真或质量-弹簧动力学建模生成类似振动信号的数据，再利用最大均值差异最小化或对抗性对齐等领域自适应技术将这些信号应用到真实监测场景中。张等人[9]提出了一种基于预测类别混淆最小化的统一跨领域故障诊断框架，该框架可通过基于原型的区分与概率校准，支持封闭集、部分集、开放集、多源及多目标等多种迁移场景。例如，田等人[10]提出了一种持续测试时域自适应方法，该方法能够在协变量和标签漂移的情况下适应流式数据，通过师生架构、类别平衡采样以及师生网络间的知识对齐，实现可靠的在线故障诊断，其性能优于传统的静态自适应方法。在通用领域自适应的基础上，余等人[11]提出了导航器引导的强对齐与动态阈值策略，通过引入自适应聚类-based的拒绝阈值，有效避免了由异常值导致的负面迁移，提升了旋转机械故障诊断中共有故障类别与特殊故障类别之间的区分度。此外，田等人[12]提出了一种测试时证据自适应方法，该方法利用基于频谱熵的标签校准与证据深度学习技术，使得系统能够在持续适应未知故障类型的过程中做出考虑不确定性的决策，并降低灾难性遗忘现象的发生概率。为解决工业应用中常见的数据隐私问题，王等人[13]提出了一种无源通用领域自适应框架，该框架通过将特征分解为共享成分与未知成分，并结合高斯混合模型与基于置信度的原型匹配技术，无需获取标注过的源数据即可实现不同运行条件下的故障诊断。大多数研究采用全局层面的领域对齐方式，假设所有故障类别的分布都是均匀的。但实际上，不同故障类型的仿真精度存在差异——例如，具有复杂非线性接触特性的缺陷较难被精确建模——这就导致了特征迁移的不一致性。因此，全局对齐可能会在仿真精度较低的子域中引发负面迁移，进而导致自适应失败。钟等人[14]提出了一种基于物理信息的子域自适应框架，该框架将挤压激励扩散SincNet与领域对抗学习相结合，借助物理故障先验信息实现多维度对齐，显著提升了轴承故障诊断的准确性。为应对不确定条件下的开放集问题，翁等人[15]提出了一种无需注意力机制的FCformer模型，该模型具备动态子域自适应与自适应阈值学习功能，能够在电机-轴承故障诊断中实现已知类别的精准对齐，同时有效隔离未知故障。张等人[16]针对时变条件下的机械系统，开发了一种信号融合与周期一致性领域自适应网络，该网络通过加权信息熵基多源融合与周期一致性特征变换技术，提升了特征学习的抗条件干扰能力及领域不变性。Kavianpour等人[17]则着眼于效率、结构依赖性建模以及领域粒度问题，采用图卷积网络并结合逐步知识蒸馏机制以及改进的局部最大均值差异算法，实现了故障样本间的图结构交互，扩大了簇间边界距离，增强了资源受限环境下的子域匹配能力。类似地，钟等人[18]开发了一种多对抗子域自适应网络，该网络整合了多个领域判别器与标签平滑策略，确保了在不同运行条件下的稳健局部特征对齐。林等人[19]提出了IF-EDAAN模型，这是一种基于信息融合的领域自适应注意力网络，它可将多源信号转换为融合后的图像表示，同时结合无参数注意力机制与加权对齐技术，提升了无监督迁移故障诊断的性能，并降低了负面迁移效应。林等人[20]进一步提出了一种无监督多级融合领域自适应方法，该方法适用于时变工作条件下的迁移诊断，通过整合多传感器增强技术、特征融合以及自适应协同决策机制，提升了诊断的稳健性。然而，现有方法仍依赖于人工定义的对齐方案或静态权重设置，无法充分反映不同故障类型之间不同的仿真精度。因此，需要一种细粒度、具备子域感知能力的对齐机制，能够根据各故障类别的分布差异动态调整领域相似性，从而为更为稳健且无负面迁移的仿真引导自适应奠定基础，这也是本研究的核心出发点。(2)多模态数据融合与注意力机制：为充分利用振动、电流及其他传感器信号之间的互补信息，近年来人们广泛研究了多模态融合技术。早期研究直接将原始信号进行拼接，或在输入层面提取特征（数据级融合），而后来的研究则采用了中间层或决策层的融合方式。杨等人[21]提出了一种多传感器局部与全局特征融合框架，该框架利用稀疏Transformer模型整合传感器特有的特征以及跨传感器的全局特征，用于齿轮箱故障诊断。朱等人[22]提出了DTFFNet模型，这是一种双分支的时频融合网络，它结合了CNN与Transformer模块，使得时间域与频谱域的特征能够实现更深入的互补。徐等人[23]开发了MAFN模型，这是一种多模态自适应融合网络，它通过跨视图交互模块共同学习振动特征与声学特征，并能根据不同的噪声水平动态调整各特征的贡献权重。不过，这些方法大多采用静态或单向融合方式，即每种模态的贡献要么是预先设定的，要么作为全局标量权重来学习。尽管近期的注意力基模型通过赋予可学习的权重提高了方法的适应性，但它们往往忽视了跨模态的交互推理能力——即一种模态能够查询并从另一种模态中获取相关特征的能力。为提升适应性，陈等人[24]提出了一种混合卷积-RNN-注意力网络，用于异步电机故障诊断，该网络通过多头注意力机制实现了更精细的时空融合。李等人[25]提出了FD-MVLLM模型，该模型将振动特征嵌入到大语言模型表示中，从而实现了不同模态之间的语义级融合。王等人[26]设计了一种基于多通道时间序列输入的双域自匹配融合网络，该网络利用频域中的冗余性与互补性关系，筛选出最具信息量的跨传感器特征。现有的融合方案无法捕捉模态之间的双向依赖关系与相互引导作用，这限制了在非线性耦合条件下的特征表示稳健性。(3)针对类别失衡的优化与统一学习：为解决故障数据集中的类别失衡问题，人们提出了多种策略，包括利用生成对抗网络进行数据增强、算法层面的重加权方法（如焦点损失、成本敏感分类器）以及混合特征级优化方法。近期研究探索了多种缓解故障数据集中样本失衡的策略。高等人[27]利用改进的条件GAN模型为电动潜水泵生成虚拟故障样本，有效扩充了少数类数据。在算法层面，李等人[28]提出了一种考虑大边界的焦点损失函数，并结合分布差异度量指标，提升了模型对失衡情况的抵抗能力；赵等人[29]则采用了基于自适应焦点损失的NCVAE框架，用以突出轴承-转子系统中罕见故障状态的特征。在成本敏感学习领域，曹等人[30]考虑了标签与特征分布的一致性，从而实现了更均衡的健康状态预测回归；赵等人[31]则开发了一种改进的加权极小学习机模型，并通过自适应成本调整机制，提升了对少数类故障的分类能力。然而，这些方法往往独立于领域自适应过程运行，且缺乏统一的优化视角。基于GAN的数据增强方法可能会扭曲数据的物理真实性，而基于焦点损失的方案则可能导致训练不稳定，且对超参数敏感。此外，大多数失衡校正方法都忽略了特征几何结构的正则化处理，这使得学习得到的特征空间中各类之间的边界出现重叠现象。叶立等人[32]提出了一种联合协同自适应网络（JCAN），该网络通过对抗性领域对齐与类别感知加权机制整合多源数据，虽能在一定程度上缓解类别失衡问题，但各优化环节仍然相互独立。类似地，王等人[33]为航空发动机故障诊断开发了一种加权类别感知匹配自适应网络，该网络引入了成本敏感度量指标，用于在跨领域变化情况下对类别边界进行对齐，但其效果仍依赖于超参数的合理设置。为拓展统一迁移诊断的应用范围，张等人[9]构建了一种能够适应多种领域与标签配置的预测类别混淆最小化架构；彭等人[34]则建立了一个统一的跨模态对比学习框架，该框架将数据级增强技术与自适应算法对齐机制相结合。与此同时，赖等人[35]提出了FR-LLM模型，这是一种多任务语言模型架构，它能够动态平衡故障诊断与寿命预测两大目标，但在多目标优化过程中仍存在收敛不稳定的问题。林等人[36]提出了一种基于信息融合的元迁移学习方法，该方法适用于不同运行条件下的少样本故障诊断，通过稀疏主成分分析与多传感器融合技术，提升了特征表示的领域不变性，从而实现了在标注样本有限时的快速自适应迁移。此外，陈等人[37]提出了一种半监督智能注意力加权原型网络，该网络适用于在数据噪声较大且标注样本有限的条件下进行滚动轴承故障诊断，通过加权原型更新机制优化类别表示，强化特征的学习能力，进而提升了在小样本及噪声干扰环境下的类别识别稳健性。这些研究表明，尽管在针对类别失衡问题的自适应处理方面已取得一定进展，但现有框架仍大多以孤立的方式处理领域对齐、多模态交互以及特征判别正则化等问题。而在仿真引导的多模态故障诊断中，这些因素实际上是相互关联的：不同故障类别对应的仿真与现实之间的差异会影响迁移的可靠性，不同模态的特征质量会影响跨领域表示的一致性，而严重的类别失衡则会进一步扭曲特征几何结构，尤其是对于少数类故障而言。因此，亟需一种统一的学习框架，能够同时协调差异感知自适应、领域鲁棒的多模态融合以及保持特征边界清晰的表示学习方法。为应对旋转机械诊断中存在的仿真与现实数据迁移不一致、跨模态表示不匹配以及严重类别失衡等问题，本文提出了一种深度仿真引导的多模态自适应网络（DSMA-Net）。该网络并未将领域自适应、多模态融合以及失衡问题缓解视为相互独立的组成部分，而是将它们整合到一个以任务为导向的统一框架之中，该框架明确地将基于差异感知的子域迁移、领域鲁棒的多模态交互以及对失衡问题敏感的判别学习有机结合在一起。本项工作的主要贡献如下：1.为解决因不同故障类别的仿真精度存在差异而导致的迁移偏差问题，本文提出了一种基于差异感知的子域对齐策略，该策略能够根据仿真数据与真实数据之间的分布差异，动态调整各故障类别的迁移贡献程度。与传统的全局对齐或静态类别匹配方法不同，所提出的策略能够明确控制各类别级别的迁移强度，从而有效避免在仿真精度较低的子域中出现负面迁移现象。2.为提升仿真引导的跨领域诊断中的特征表示稳健性，本文设计了一种跨模态动态融合机制，该机制能够在自适应过程中实现振动特征与电流特征之间的双向交互。与独立的静态融合或单向注意力机制不同，所提出的机制允许不同模态的特征根据领域特性及故障特征的实际可靠性，选择性地相互补充与重新调整。3.为在跨领域自适应过程中保持少数类故障的区分能力，本文构建了一种考虑边缘信息的统一优化目标函数，该函数能够同时优化监督分类、基于差异感知的子域迁移、跨模态一致性以及特征判别正则化过程。与仅采用样本重加权或辅助边际惩罚的方法不同，所提出的目标函数明确约束特征几何结构，从而在严重不平衡情况下提升类内紧凑性及类间可分性。在公开的多模态齿轮箱数据集以及自行构建的数据集上的大量实验表明，相较于典型的领域适应、多模态融合以及针对不平衡问题设计的基线方法，DSMA-Net在仿真引导的跨域故障诊断中展现出更优的诊断性能和更强的鲁棒性。

数字孪生驱动的仿真建模与问题定义
本节描述了基于数字孪生的仿真建模流程，并明确了本研究中所考虑的仿真引导多模态故障诊断问题。由于在实际旋转机械应用中，真实的故障样本往往十分稀缺且存在不平衡现象，因此需要构建数字孪生来生成带标签的模拟源域数据。这些模拟数据可为模型训练提供与故障相关的先验信息，而真实的测量数据则作为目标域数据使用。

所提方法的详细说明
本节介绍了用于严重类别不平衡条件下仿真引导跨域故障诊断的深度仿真引导多模态适应网络（DSMA-Net）。与传统框架将领域对齐、多模态融合和判别式正则化视为相互独立的组件不同，DSMA-Net被设计为一个统一的学习框架，在该框架中这些要素能够得到协同处理。在实际的仿真引导诊断过程中，面临着三大挑战。

实验设置与对比方法
为评估所提出的深度仿真引导多模态适应网络（DSMA-Net）在真实旋转机械环境下的诊断性能，本文以韩国科学技术院发布的公开多模态故障诊断数据集作为基准数据集。该数据集来自旋转机械故障仿真测试台，包含多种故障模式、负载条件及物理信号，可为研究提供丰富的数据支持。

结论
本研究提出了一种名为深度仿真引导多模态适应网络（DSMA-Net）的综合性诊断框架，旨在提升旋转机械智能故障诊断的可靠性与泛化能力。该框架将仿真引导学习、多模态融合以及针对不平衡问题的优化整合为一种端到端的架构，有效弥补了模拟环境与实际工业环境之间的差距。

资金支持声明
本研究得到了中国国家重点研发计划的支持（项目编号：2023YFB3406200）。

作者贡献说明
苏振豪：方法设计、实验研究、数据整理、概念构建；余贺：结果验证、软件开发；段建东：文章润色与编辑、初稿撰写、可视化处理、结果验证；石万凯：文章润色与编辑、项目监督、资源协调、项目管理。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。