基于有限数据监督迁移学习的时频协同跨设备轴承故障诊断模型

《Scientific Reports》：A time-frequency collaborative cross-device bearing fault diagnosis model based on supervised transfer learning with limited data

　　

摘要

近年来，基于深度学习的轴承故障诊断模型在理想实验条件下展现了出色的诊断性能。然而在实际的工业环境中，由于数据分布差异导致的领域偏移问题严重削弱了这类方法的泛化能力，这在跨设备轴承故障诊断任务中尤为明显。尽管现有的基于迁移学习的跨设备轴承故障诊断模型已取得了一定进展，但仍存在一些缺陷。一方面，在跨设备场景中，时域冲击特征与频域共振特性对设备结构差异的敏感度不同，且目标设备可用的样本往往有限。大多数模型仅依赖单一特征维度进行建模，难以完整捕捉包含故障脉冲先验信息及设备特定响应特性的全部物理信息，从而限制了其稳定性与泛化能力。另一方面，大多数模型在迁移阶段需要大量参数调整，很容易过度拟合目标设备的特定物理特性，进而影响从源领域学到的有效知识。为解决上述问题，本文提出了一种基于受限数据下的监督迁移学习的时频协同跨设备轴承故障诊断模型。首先，设计了一种时频协同建模框架，能够从时域冲击响应与频域结构共振两个物理维度提取多视角互补信息，这些信息既反映了故障模式的核心特征，也包含了设备特定的响应特性，从而提升了模型对设备结构及运行条件变化的适应能力。其次，引入低秩适配机制，对预训练模型的关键参数进行轻量级微调。该机制可将参数更新限制在低秩子空间内，使模型能够在保留源领域所学知识结构稳定性的同时，适配目标设备的特定物理响应，进而有效降低训练复杂度并减少过拟合风险。最后，通过三个实际案例构建跨设备诊断场景，全面评估所提模型的性能。实验结果表明，该模型在诊断精度与泛化性能方面均优于部分现有主流模型，充分证明了其在跨设备场景中的有效性与实用性。