基于目标簇估计与排除的无源开放集域故障诊断方法

《Journal of Industrial and Engineering Chemistry》：Source-free open-set domain adaptation for fault diagnosis via target cluster estimation and exclusion

　　叶宗珍|吴俊|何雪松|王立祥|陈佐义•本文提出了一种用于无源开放集跨域故障诊断的目标簇估计与排除方法。•设计了一种自分裂聚类算法，用于估算目标簇的数量。•提出了一种自适应采样与簇排除策略，用于构建已知和未知原型。•开发了一种双重不确定性估计策略，用于选择可靠的训练样本。

引言
旋转机械作为推动工程基础设施发展的关键要素，其运行可靠性和安全性越来越受到重视。然而，在极端条件下长期运行会导致旋转机械出现退化及故障风险，这可能带来巨大的经济损失，甚至危及人类生命[1]。因此，机器故障诊断技术在工业界和学术界都受到了越来越多的关注。多年来，出现了多种先进的诊断方法，如信号处理算法[2]、机器学习算法[3]以及两者的结合方案[4]。随着智能传感、人工智能以及互联工业系统的快速发展，深度神经网络在旋转机械故障诊断中展现出巨大潜力，它无需依赖人工设计的特征，即可实现端到端的自动故障识别[5]。尽管这些模型性能优异，但训练它们需要来自目标机械的足够多标记样本。然而，由于拆卸难度或成本问题，为不同诊断场景手动标注大量故障数据是一项艰巨甚至不可行的任务[6]。此外，当将训练好的模型应用于新的诊断任务时，训练样本与测试样本具有相同的分布也是重要前提[7]。不幸的是，由于运行条件变化、任务要求改变以及旋转机械的自然老化等不可避免的因素，这一假设在实际应用中很少成立[8]。一旦上述前提条件不满足，诊断性能就会大幅下降。

为了解决标记样本匮乏和分布偏移的问题，近年来人们广泛研究并应用了领域自适应技术[9]。这类方法旨在利用源领域的标记样本，通过知识迁移来训练未标记目标领域的模型。现有的领域自适应方法通常可分为两类：度量学习与对抗学习[10]。具体而言，度量学习通过统计矩明确衡量领域差异，并将其纳入训练目标以促进领域对齐。颜等人[11]提出了一种多源迁移诊断框架，将该框架中的Bures-Wasserstein距离嵌入到师生网络中，以对齐联合分布并抑制负面迁移效应。李等人[12]则提出了一种多核加权联合自适应方法，通过结合最大均值差异与加权策略，自适应地对齐边际差异和条件差异。与明确设计度量函数不同，对抗式领域自适应通过在领域判别器与特征生成器之间构建对抗博弈来实现隐式的领域对齐。钟等人[13]创建了一种多对抗子领域自适应网络，利用图特征和多个领域判别器来实现子领域间的精细对齐。焦等人[14]提出了一种强化对抗方法，该方法整合了基于双分类器的自我训练机制，以利用未标记的目标数据并提高自适应能力。无论采用何种策略，在模型自适应过程中始终需要获取源领域样本，如图1(a)所示。不过，由于两个主要原因，这一前提在实际工程中很难实现。一方面，尤其是在故障条件下收集的工业数据往往包含与设备质量和缺陷相关的敏感信息，这些信息对企业而言极具保密性，不得公开[15]。另一方面，由于需要长期高频采样，海量源领域样本的存储和传输也极为困难，尤其是在便携式或边缘端诊断场景中[16]。

为克服上述传统领域自适应技术的局限性，无源领域自适应技术在机器故障诊断领域取得了显著进展[17]，如图1(b)所示，该技术仅需使用预训练的源模型即可在未标记目标领域实现自适应。在没有真实源领域样本的情况下，卢等人[18]提出了一种有效的数字孪生驱动的无源自适应诊断框架，该框架采用两步自适应策略，将诊断知识从模拟的数字孪生数据转移到实测的目标数据中。针对不同的源领域，林等人[19]提出了一种多领域知识融合自适应方法，该方法通过低秩重参数化减少训练参数，并利用核范数初始化来强调可信的源领域知识。这些方法不仅限于静态自适应诊断任务，李等人[20]还提出了一种增量式无源诊断网络，该网络采用局部结构聚类和稀疏领域注意力策略，以保留已学知识并实现自适应诊断。然而，这些领域自适应方法主要是为封闭集环境设计的，即目标领域和源领域的故障类型是相同的。在复杂的、不断变化的实际工程环境中，目标领域可能会出现未知故障类型，此时模型会将新故障误判为某种现有故障类型，从而导致诊断性能下降。

鉴于上述问题，开放集领域自适应技术逐渐引起了研究人员的关注[21]。如图1(c)所示，开放集领域自适应技术提供了一种有效解决方案，它能够在区分已知和未知故障类型的同时实现领域知识迁移。王等人[22]提出了一种伪标签辅助的开放集领域自适应方法，该方法利用半监督对比学习对不同领域的已知故障特征进行对齐，并通过基于距离、密度和熵的阈值将异常样本分离出来。翁等人[23]开发了一种渐进式领域分离网络，该网络通过对抗学习对已知类别进行对齐，同时通过多指标相似度和集成过滤来分离未知类别。潘等人[24]提出了一种双重对抗网络，该网络利用监督对比学习和基于不确定性的加权机制，自适应地对齐共享类别并识别未知故障。然而，现有的开放集领域自适应方法仍然依赖于源领域样本的知识来实现共享类别的对齐和未知类别的检测，这就限制了它们在无源环境中的应用。

总之，实际的旋转机械故障诊断面临着三个紧密相关的挑战。首先，旋转机械常常在不同的负荷和转速下运行，这导致训练环境和部署环境之间的数据分布出现显著差异。其次，由于数据隐私法规和工业保密要求，模型部署时往往无法获取源领域样本，这使得直接对齐跨领域特征分布变得十分困难。第三，现实世界的工业系统可能会遇到前所未有的故障类型，这会在目标领域引入未知类别，增加误诊风险。因此，迫切需要开发能够同时应对数据隐私限制、跨领域分布差异以及未知类别检测的诊断模型，从而在实际工业环境中实现可靠的故障诊断。

为此，本文聚焦于一种更为现实且具有挑战性的诊断场景，即无源开放集领域自适应技术。如图1(d)所示，无源开放集领域自适应技术旨在在不获取任何源领域样本的情况下，将预训练的源模型适配到包含已知和未知故障类型的未标记目标领域。近年来，已有部分研究致力于解决无源开放集领域自适应问题。田等人[25]在源模型预训练阶段就假设目标领域存在未知故障类别，并引入了一个占位模块，以抑制对未知样本的过度自信预测。曲等人[26]开发了一种一对全聚类算法，用于探索目标特征空间，并采用归一化的香农熵来检测未知类别。贾汉等人[27]提出了一种师生框架用于发现未知样本，他们利用詹森-香农散度将未知样本与已知样本分开。刘等人[28]通过权重条形码估计方法估算目标样本的边际概率，并利用量化后的条形码权重来识别未知类别。李等人[29]设计了一种无偏表示分离方法，该方法利用图像语义来实现未知类别的检测。

尽管现有无源开放集领域自适应方法性能不错，但仍存在一些局限性。首先，许多方法依赖人工设计的度量阈值来区分已知和未知类别，这使得识别性能对阈值的选择极为敏感。其次，大多数方法主要传递已知类别的知识，而将未知样本粗略地归为一类，未能充分利用目标领域内的信息。更重要的是，现有的方法大多是为图像识别任务设计的，在图像数据中，视觉特征具有很强的语义提示，有利于类别分离。相比之下，旋转机械的振动信号特征语义较弱，而且在实际工程中，单个信号中往往同时存在多种故障特征，即复合故障现象较为常见，这进一步增加了未知故障检测的难度。

为了解决上述问题，本文提出了一种名为目标簇估计与排除的新诊断框架，该框架能够更充分地挖掘目标实例的信息，同时避免繁琐的阈值调整。具体而言，该框架可分为两个阶段。在第一阶段，即源领域模型构建阶段，模型通过标准的监督学习方法从标记的源领域数据中学习诊断知识。模型训练完成后，源领域数据将被封存，仅保留源模型用于后续的自适应过程。在第二阶段，即无源模型自适应阶段，首先应用自分裂聚类算法来估算目标领域中潜在簇的数量。然后，通过自适应采样策略选取高置信度样本，以此构建已知类别的原型，同时排除相似簇以构建未知类别的原型。接着，通过测量目标特征与原型之间的相似度为样本分配伪标签。为降低噪声标签的影响，本文采用双重不确定性估计策略来筛选不可靠的伪标签样本。此外，还引入了局部共识学习目标，以提高预测一致性并增强特征紧凑性。本文的主要贡献如下：1）提出了一种用于无源开放集跨域故障诊断的新型目标簇估计与排除方法，该方法无需设置阈值，即可有效识别已知故障并发现目标领域的未知故障。2）开发了一种自分裂聚类算法，可用于自动发现目标领域的潜在类别结构，且无需预先知道未知类别的数量即可估算簇的数量。3）提出了一种自适应采样与簇排除策略，用于构建高质量的已知和未知类别原型，进而可通过最近原型匹配为样本分配伪标签。4）引入了一种双重不确定性估计机制，该机制基于预测一致性和原型可分性来评估伪标签的可靠性，有效降低了噪声标签的影响，提升了自适应能力。

本文的其余部分结构如下：第2节回顾了相关技术的研究现状；第3节详细介绍了所提出的目标簇估计与排除方法；第4节阐述了实验设置与结果；第5节对实验结果进行了深入分析；第6节对全文进行了总结。为了评估TCEE中各模块的完整性和合理性，我们在三种情况下进行了大量的消融研究。实验结果总结在表11中。从结果可以看出，当单独引入每个模块时，综合诊断性能HOS都会持续提升，这表明所有四个组成部分都对整个框架有着积极的贡献。此外，当多个模块同时启用时，……

结论
本研究聚焦于工业智能诊断领域中的一个实际且具有挑战性的场景，即SF-OSDA。为了解决这一问题，研究人员开发了一种名为TCEE的新型诊断框架。在TCEE中，首先采用自分裂聚类算法来估计目标领域中潜在簇的数量。然后，利用自适应采样策略为已知类别构建原型，同时通过簇排除机制过滤掉与已知语义相似的簇……

CRediT作者贡献声明
叶宗振：撰写——初稿，软件，方法论，数据整理。吴俊：撰写——审阅与编辑，监督，项目管理，概念设计。何学松：验证，资源，概念设计。王立祥：可视化，形式化分析，数据整理。陈佐义：可视化，形式化分析，数据整理。

利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所报告的工作。

致谢
本研究部分得到了中国国家自然科学基金项目（编号52575113）的支持，部分得到了汉江国家重点实验室联合培训基金项目（编号LP2024054和LP2024057）的支持，还有部分得到了华中科技大学跨学科研究计划（编号2024JCYJ028）的支持。