《Sensors》：Bearing Single-Source Domain Generalization Fault Diagnosis Method Based on Adaptive Frequency-Domain Augmentation and Unsupervised Contrastive Learning
编辑推荐：
跨域分布偏移严重降低了滚动轴承模型在未见过的可变运行场景下的诊断性能。单源域泛化（SDG）仅使用单源振动数据构建故障诊断模型，这符合工业数据采集的实际限制。现有的对比学习方法采用统一的频谱扰动进行数据增强，这容易破坏故障谐波特性，并且需要大量标记的训练样本。为
跨域分布偏移严重降低了滚动轴承模型在未见过的可变运行场景下的诊断性能。单源域泛化（SDG）仅使用单源振动数据构建故障诊断模型，这符合工业数据采集的实际限制。现有的对比学习方法采用统一的频谱扰动进行数据增强，这容易破坏故障谐波特性，并且需要大量标记的训练样本。为了解决这些缺点，研究人员提出了一种名为FDACL的无监督对比学习框架。设计了一个配备可学习权重的自适应频域增强（AFA）模块，用于将故障关键频带与噪声分量分离。对两类频谱信号施加差异化的幅度扰动，以生成多样化的伪样本，同时保留内在故障信息。研究人员使用联合的InfoNCE对比损失和分类损失训练共享编码器，以学习域不变故障表示。在三个数据集上进行了验证，即凯斯西储大学（CWRU）、帕德博恩大学（PU）以及从物理试验台获取的工业中车青岛四方铁路轮对轴承数据集。FDACL在CWRU和PU上分别实现了92.68%和77.85%的平均跨速度诊断精度，并在青岛四方工业数据集上保持了竞争性能。在所有SDG迁移任务中，它比最先进的基线方法高出4.23–8.71%。消融实验和超参数分析验证了AFA模块和对比学习方案的有效性，为未知工况下的铁路轴承提供了一种无监督诊断方法。
**论文解读：基于自适应频域增强和无监督对比学习的轴承单源域泛化故障诊断方法**
**研究背景与问题**
滚动轴承作为高速列车、航空发动机等关键机械装备的核心部件，其健康状态直接影响设备运行的安全性与可靠性。然而，实际工业场景中，环境温度、转速、负载等工况变化会导致振动信号的数据分布产生显著偏移，使得传统监督学习训练的模型在未知工况下诊断性能急剧下降。域自适应（Domain Adaptation）方法虽能缓解分布偏移，但需要目标域样本参与训练，而工业现场难以预先采集所有可能工况的数据。域泛化（Domain Generalization, DG）方法无需目标域数据，但多数研究集中于多源域泛化（Multi-Source DG），要求从多个不同源域收集数据，这在实际中成本高昂且难以实现。单源域泛化（Single-Source Domain Generalization, SDG）仅需单一源域数据，更符合工业数据采集的局限性，但相关研究较少，且现有方法多属于监督学习范式，依赖大量标注样本。此外，对比学习中的数据增强策略通常采用统一的频谱扰动，容易破坏故障谐波特征，导致关键故障信息丢失，且需要大量有标签样本。针对上述问题，研究人员提出了一种无监督对比学习框架FDACL（Frequency-Domain Adaptive Contrastive Learning），旨在解决标签稀缺和变工况下精度下降的难题。
**研究内容与结论**
本研究构建了FDACL框架，核心包括自适应频域增强（AFA）模块和无监督对比学习管道。AFA模块利用可学习权重区分故障关键频带和噪声成分，对关键频带施加轻微幅度扰动以保留故障语义，对非关键频带施加强烈扰动以模拟工况变化，从而生成多样化的伪目标域样本。共享编码器通过InfoNCE对比损失和分类损失联合优化，学习域不变故障特征。在三个轴承数据集（凯斯西储大学CWRU、帕德博恩大学PU、中车青岛四方轮对轴承）上进行验证，FDACL在跨速度迁移任务中平均诊断精度分别达到92.68%和77.85%，在青岛四方数据集上保持竞争性能，比最先进基线方法高出4.23–8.71%。消融实验和超参数分析证实了AFA模块和对比学习方案的有效性。该研究为工业轴承诊断提供了一种低标签需求、高泛化能力的无监督诊断方法，论文发表在《Sensors》。
**主要技术方法**
研究人员采用以下关键技术：1）自适应频域增强（AFA）模块：对原始振动信号进行离散傅里叶变换（DFT）得到频域表示，引入可学习权重向量，通过sigmoid函数归一化，设置固定阈值（0.5）将频域分量分为核心分量集（故障关键）和非核心分量集（噪声主导），对核心分量施加均匀分布U(0.9, 1.1)的轻微幅度扰动，对非核心分量施加U(0.1, 2.0)的强扰动，通过逆变换恢复时域信号；2）无监督对比学习：使用InfoNCE损失拉近同一原始样本的频域视图距离，推远不同样本的距离，并加入权重正则化项防止权重向量极端分布；3）两阶段训练策略：先进行无监督预训练（300轮），冻结编码器后仅训练轻量线性分类器（300轮）。样本队列来源包括CWRU（驱动端轴承，12kHz采样，4种转速，10类故障）、PU（64kHz采样，4种工况，6类健康状态）、青岛四方（3种转速，4类健康状态，物理试验台采集）。
**研究结果**
**5.1 基线方法与实现细节**：比较了ERM（经验风险最小化）、IRM（不变风险最小化）、REx（风险外推）、CCDG（条件对比域泛化）、SagNet（风格无关网络）、DDC（深度域混淆）和HSVM（希尔伯特包络谱+SVM）等基线，统一使用简化ResNet骨干网络，超参数一致。
**5.2 案例研究1：CWRU轴承数据集**：在充足样本场景下，FDACL在困难迁移任务（如A10、A11、A12）上取得最优诊断精度，t-SNE可视化显示其学习到的特征聚类紧凑、类间分离清晰，明显优于监督基线。在小样本场景下，随着每类样本数从50降至1，FDACL的精度曲线最平坦，在极端稀疏数据下仍保持最高精度。超参数分析表明，平衡系数λ=0.01时取得最优平均精度，且波动范围窄。
**5.3 案例研究2：PU轴承数据集**：在12个跨工况迁移任务中，FDACL在多数任务上达到最优或次优，例如任务B3上精度为84.85±2.59%，混淆矩阵显示其对角元素最高、误分类最少。超参数分析同样确认λ=0.01最优，但PU数据集由于跨域差异更大，精度波动略宽于CWRU。
**5.4 案例研究3：青岛四方轮对轴承数据集**：在跨速度迁移任务中，FDACL在大多数任务上取得最优诊断精度，如D1→D0任务达98.97%，D2→D1任务达96.54%。Pareto前沿分析显示，FDACL在取得最高精度的同时，峰值GPU内存和训练时间均低于所有深度学习基线。AFA模块提取的关键频率与理论故障特征频率（BPFI、BPFO、BSF、FTFO）匹配率达到100%，验证了物理可解释性。特征可视化表明，FDACL能有效对齐不同转速下的同类故障特征。
**5.4.2 消融实验**：对比四种盲目频域增强（FN、FM、FW、FR）以及去除AFA或对比学习的变体（ERM、AE、AT），FDACL在所有迁移任务上均取得最高精度，且精度分布集中。对比表明，频域AFA优于时域AT，无监督对比学习是域不变特征学习的关键，AFA与对比学习联合设计优于传统盲目扰动。
**讨论与结论**
**讨论**：整体而言，FDACL在三个数据集上表现出一致优势：无监督预训练显著降低标签成本；AFA模块保留故障谐波信息；两阶段训练减少训练开销；小样本鲁棒性优于对比方法。但存在局限：AFA仅适用于单通道一维信号，超参数需手动调整，且当源-目标域机械结构差异巨大时特征对齐能力下降。
**研究结论**：本小节总结了FDACL的核心贡献、实验结果和工程意义。它从三个轴承数据集中总结统一规律，并针对模型缺点提出未来改进方向。为了解决标签稀缺和变工况下精度下降的问题，本研究通过结合自适应频域增强和无监督对比学习构建了FDACL单源泛化模型。AFA模块使用可学习权重区分故障相关频带，并通过差异化扰动生成多样化的伪样本。在InfoNCE损失的引导下，模型无需任何目标域标签即可提取对速度和负载鲁棒的故障特征。在CWRU、PU和CRRC数据集上的验证表明，FDACL在大多数跨工况任务上达到或超过主流监督域泛化方法的性能，并在极有限样本下保持稳定性能。可视化和消融测试证实了每个组件的必要性。该方法为工业轴承诊断提供了一种低标签、高泛化的解决方案。
