用于单源领域泛化机械故障诊断的掩码特征对抗解耦网络

《Knowledge-Based Systems》：Masked feature adversarial disentanglement network for single-source domain generalization mechanical fault diagnosis

　　•本文提出了一种基于掩码特征对抗解耦的方法，用于在未知条件下对旋转机械进行单源域泛化故障诊断。•通过双重一致性风格增强技术，在保持特征稳定性的同时模拟域偏移，该方法利用原始样本与增强样本的嵌入对齐来实现这一点。•掩码特征对抗解耦模块能够学习到具有重要性感知的掩码，从而抑制无关特征，提升域不变的判别表示能力。

引言
在智能制造和工业自动化快速发展的背景下，机械设备的可靠性与安全性已成为影响工业系统稳定运行的关键因素[1]、[2]、[3]。作为这类系统的核心组成部分，旋转机械广泛应用于航空航天、轨道交通及能源设备领域，其运行状态直接关系到系统的稳定性与经济效率。因此，开发高效可靠的智能故障诊断技术对于保障设备的安全与健康具有重要意义[4]。近年来，深度学习的进步为智能故障诊断提供了新的方法。与传统依赖专家知识及手工设计特征的方法不同，深度学习能够直接从原始监测信号中提取判别性特征，显著提升诊断的准确性与效率[5]、[6]、[7]。然而，现有的大多数基于深度学习的故障诊断方法都假设训练数据与测试数据具有相同的分布特征。而在实际工业环境中，设备往往在复杂多变的条件下运行，速度、负载或环境温度的变化都可能导致数据分布发生显著偏移[8]。这种分布差异使得模型在训练域上表现良好，但在未知工况下却会出现性能大幅下降的情况，限制了其实际应用价值。为了解决这一难题，人们广泛研究了域适应技术。域适应的核心思想是利用源域与目标域的数据，通过对抗训练[9]、[10]、距离度量[11]、[12]或对比学习[13]等手段减少分布差异，从而实现跨域故障诊断，如图1(a)所示。这些方法在轴承、齿轮及其他设备的跨工况诊断中展现了良好的性能[14]、[15]、[16]、[17]、[18]、[19]。不过，域适应方法通常需要在训练阶段获取目标域数据，而这一条件在实践中往往难以满足，因为目标数据通常无法提前获得。为克服训练时无法获取目标域数据的限制，研究人员提出了域泛化方法[20]、[21]。与域适应不同，域泛化仅依靠源域数据来进行模型训练，无需任何目标域的先验信息，如图1(b)所示。其目标是学习出鲁棒且域不变的特征表示，使模型能够有效泛化到未知域。现有的基于域泛化的故障诊断方法可大致分为三类：数据操作方法、学习策略方法以及表示学习方法[21]。(1) 数据操作方法通过增强或生成源域样本来增加数据多样性，模拟潜在的域偏移，进而提升模型对未知域的适应能力。例如，Shi等人[22]提出了一种基于狄利克雷分布的多源数据增强方法，并结合对抗训练，既提升了特征多样性，又保持了多个源域之间的相关性，从而增强了特征表示的鲁棒性与泛化能力。Wang等人[23]则提出了一种基于多尺度风格生成与对抗对比网络的单源域泛化模型，通过生成多样化的扩展域样本，并从源域与扩展域中提取域不变特征，有效提升了模型的泛化能力。(2) 学习策略方法并不直接修改数据，而是通过元学习、正则化、梯度约束或知识蒸馏等训练策略，引导模型学习域不变的表示。例如，Ren等人[24]将梯度对齐策略引入元学习框架，以此学习出能够在未知工况下实现稳健预测的域不变特征。Xu等人[25]进一步提出了一个域不变知识集成蒸馏框架，该框架能够将多个教师模型中的域不变诊断知识迁移过来，提升基于域泛化的故障诊断在未知工况下的稳健性。(3) 表示学习方法则致力于构建域不变的特征空间，通常通过结合对抗学习、特征对齐、特征解耦[26]、因果学习[27]、原型学习[28]、互信息约束[29]或自监督/对比学习[30]等多种策略，以实现跨域间稳定的诊断性能。例如，Shi等人[30]提出了一种基于特征辅助的对比学习框架，该框架通过最小化各域内的类内差异并最大化类间差异，有效去除了特定于某个域的知识，降低了相似故障在不同域间的差异性。Wang等人[31]提出了一种用于机械故障诊断的新型域泛化网络，该网络无需目标数据，即可通过特定的域专用辅助分类器、卷积自编码器以及域间对齐策略，从多个源域中学习出域不变的表示。Zhang等人[26]开发了一种双重解耦的域泛化故障诊断方法，该方法利用双重对比与对抗掩码解耦模块，将域不变特征与与类别相关的特征分离，并将与类别相关的域不变特征泛化到未知域。Xu等人[32]设计了一种工作条件解耦且具有不变特征融合功能的Transformer模型，该模型通过工作条件解耦与不变特征融合，降低了工况变化对设备健康状态诊断的影响。总体而言，这三类方法相互补充：数据操作方法通过丰富训练样本以覆盖潜在的变化情况，学习策略方法则通过优化的训练过程提升模型的泛化能力，而表示学习方法则在特征层面提取出域不变的特征。尽管数据操作、学习策略以及表示学习方法在基于域泛化的故障诊断方面取得了一定进展，但依然存在一些挑战。数据操作方法难以完全模拟未知域的复杂变化，且增强策略往往依赖于经验设计，可能会引入非因果信息[33]。当源域数量较少或各源域的分布较为相似时，学习策略方法的泛化能力可能受到限制，此外复杂的优化目标还可能导致训练过程不稳定[34]、[35]。表示学习方法在高维特征空间中提取域不变特征存在困难，特征解耦或因果表示也可能无法完全区分与任务相关的信息与与域相关的信息[36]、[37]。这些挑战表明，要在未知工况下实现稳健的故障诊断，还需要更有效的域泛化策略。因此，当前的核心问题在于如何在单源数据或数据有限的条件下，有效区分与类别相关及与类别无关的特征，从而提升模型在现实世界复杂工况下的泛化能力。为了解决上述问题，本文提出了一种基于掩码特征对抗解耦的域泛化故障诊断方法。该方法根据各特征维度的重要性对嵌入特征进行解耦，从而提取出域不变的表示，进而无需域标注即可实现向之前未见过的域的泛化。本文的主要贡献如下：(1) 提出了一种用于单源域泛化故障诊断的基于掩码特征对抗解耦的方法。该方法无需域标签，就能根据特征维度的重要性将嵌入特征明确划分为高级成分与低级成分，从而有效提升模型对未知域的泛化能力。(2) 引入了风格增强与双重一致性约束机制，以便在保持特征稳定性的同时模拟域偏移。具体而言，采用了StyleAug技术来生成风格多样的增强样本。通过将监督对比损失与曼哈顿距离约束相结合，促使原始样本与增强样本的嵌入向量保持一致，从而实现稳健的跨域表示学习。(3) 设计了一种掩码特征对抗解耦模块。通过对经过掩码处理的特征进行对抗解耦训练，该模块能够让模型自适应地学习出具有重要性感知的特征维度掩码，精准识别并抑制那些因果上无关的特征，进而提升域不变特征的判别能力。本文的其余结构如下：第2节介绍与本研究相关的理论基础；第3节详细描述所提出的方法；第4节展示实验验证与分析结果；第5节对全文进行总结。

问题定义
在机械故障诊断中，通常认为在相同工况下收集的监测数据属于同一个域。在工况频繁变化的场景中，由于速度、负载或设备状态不断变化，源域与目标域通常被认为具有相同的健康状态，即标签空间是一致的，记为Cs=Ct。具有已知标记样本的工况被视为源域，记为Ds={(xis,yis)}i=1ns，其中xis代表...

提出的方法
本节详细介绍了基于掩码特征对抗解耦的单源域泛化故障诊断方法中的两个核心模块以及整体的优化策略。该方法的整体框架如图2所示，特征提取器、标签分类器及掩码生成器的结构参数则列于表1中。具体而言，3.1节介绍了一种数据风格增强模块（StyleAug），该模块旨在生成包含丰富工况信息的增强样本...

实验评估
本节通过两组实验来验证所提方法在故障诊断方面的优越性与有效性。第一组实验是在北京交通大学BJTU-RAO1转向架故障诊断平台上的轴承数据集上进行的跨工况域泛化实验。第二组实验则是针对同一数据集开展的类似跨工况域泛化实验...

结论
本研究提出了一种基于掩码特征对抗解耦网络的单源域泛化方法，用于在未知工况下对旋转机械进行故障诊断。该方法首先采用基于多尺度卷积核的风格生成策略，生成包含丰富工况信息的增强样本。同时，通过对比学习与曼哈顿距离约束，确保不同域中嵌入特征的一致性...

CRediT作者贡献声明
Guiping Chen：撰写——初稿、可视化、验证、软件实现、方法设计、研究实施。Dong Xiang：撰写——审稿与编辑、项目监督、项目管理、资金筹措。Tingting Liu：撰写——审稿与编辑、验证、概念设计。Feng Xu：验证、形式化分析。

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

致谢
本研究部分得到了中国国家重点研发计划（项目编号2024YFB3410100）的支持，同时也获得了国家自然科学基金（项目编号51975323）的资助。

Guiping Chen|Dong Xiang|Tingting Liu|Feng Xu