分布偏移下领域泛化的条件解耦表征优化框架:在故障诊断中的应用

《Mathematics》:A Condition-Disentangled Representation Optimization Framework for Domain Generalization Under Distribution Shift: Application to Fault Diagnosis

【字体: 大 中 小 】 时间:2026年08月29日 来源:Mathematics 2.3

编辑推荐:

  分布偏移下的领域泛化(Domain Generalization, DG)是表征学习中的基本挑战,研究人员期望在多个源域上训练的预测模型能够泛化至此前未见过的运行工况。对于旋转机械故障诊断,运行工况的变化会引入域特定特征,干扰与故障相关的表征,导致在未见域上性

  
分布偏移下的领域泛化(Domain Generalization, DG)是表征学习中的基本挑战,研究人员期望在多个源域上训练的预测模型能够泛化至此前未见过的运行工况。对于旋转机械故障诊断,运行工况的变化会引入域特定特征,干扰与故障相关的表征,导致在未见域上性能显著下降。针对该问题,研究人员将跨工况故障诊断表述为条件解耦表征优化问题,提出条件解耦表征优化框架(Condition-Disentangled Representation Optimization Framework)。该框架通过时频协同架构联合优化故障判别表征与工况相关表征:引入非对称正交约束促进故障与工况表征间的特征解耦;设计类-域原型正则化策略提升类内紧凑性与域间一致性;双向原型对齐机制进一步增强跨域语义对应。上述目标被整合进统一表征优化框架,并通过加权目标函数联合优化。在多组基准数据集上的数值实验与对比分析表明,该框架在两个数据集上均取得最高平均准确率,在大多数跨工况迁移任务中优于对比方法,在剩余任务中亦具竞争力。结果表明,优化条件解耦表征可有效提升分布偏移下的鲁棒性、特征可分离性与泛化能力,为跨工况智能故障诊断提供了有效的优化框架。
研究背景方面,旋转机械(如轴承、齿轮)在工业生产、能源动力与交通运输中广泛应用,其健康状态直接影响系统安全与可靠性。深度神经网络虽能从振动信号中学习非线性健康状态表征,但现有有监督方法多仅在观测源分布上最小化经验分类风险,隐含训练与测试数据同分布的假设;当转速或负载变化引发分布偏移时,该假设失效,导致未见工况下预测风险陡增。领域自适应需目标域数据参与,而现实工况下目标域观测往往不可得,故领域泛化(DG)致力于仅从多源域学习可泛化表征。现有DG方法在信号变换上多依赖单一视图(如快速傅里叶变换或小波变换),特征提取器(如一维卷积神经网络、自编码器)侧重局部或单层编码,对多尺度瞬变与结构关系协同捕捉不足;正则化策略(对抗训练、相关对齐、中心损失等)虽降低域差异或增强类结构,却未针对性约束工况相关干扰与故障响应的纠缠。因此,跨工况DG被重新表述为带正则的表征学习问题。
研究人员开展的研究为:建立统一加权标量目标,联合控制源域分类误差、健康状态与工况参考表征的经验依赖性、同源域同类样本离散度、时频互补空间类判别几何不一致性;并以时频协同条件解耦领域泛化网络(TFCD-DGNet)作为计算实现。该网络以格拉姆角场(Gramian Angular Summation Field, GASF)与短时傅里叶变换(Short-Time Fourier Transform, STFT)提供幅值时序关系与局部谱分布互补图像,经多尺度门控瓶颈卷积(Multi-Scale Gated Bottleneck Convolution, MS-GBC)提取时频分支表征;时域分支构建健康状态与工况参考双投影,以带停止梯度的非对称正交正则降低二者经验互相关;类-域原型库(按健康类×源工况索引,指数滑动平均更新)通过归一化余弦相似比约束跨域同类聚集与异类分离;时频分支间以双向原型对齐维持类判别关系一致;最终拼接联合表征送入分类器。目标函数由分类交叉熵、非对称正交损失(含工况辅助交叉熵)、类域原型聚类损失、时频对齐损失加权组成(式25),以AdamW在源域小批量上优化,原型不参加梯度更新,目标域仅用于评估。
样本队列来源方面,研究人员采用SDUST行星齿轮箱数据集(山东科技大学公开,采样25.6 kHz,转速1000/1500/1800 rpm,7种健康状态:正常NC、太阳轮点蚀SP/断裂SF/磨损SW、行星轮点蚀PP/断裂PF/磨损PW)与WHUT轴承数据集(自采,采样12 kHz,转速500/1000/1425 rpm,7种健康状态:正常N、内圈故障IF1/IF2、外圈故障OF1/OF2、滚动体故障RF1/RF2);每样本1024点不重叠分割,每类每工况留300样本,两源域训练、余一目标域测试,五独立重复取均值与标准差。
研究结果部分,按原文小节浓缩如下。
3.1 时频表示算子:GASF将归一化信号映至角域后由余弦和构造矩阵,编码幅值与时序;STFT经加窗离散傅里叶得幅值矩阵;二者分别作时域与频域分支输入,提供互补视图。
3.2 多尺度门控表征映射:MS-GBC以瓶颈卷积(1×1映射+深度可分离)为基,标准卷积分支(膨胀率1)捕局部冲击,空洞卷积分支(膨胀率>1)扩感受野捕大区结构,逐元素加融合后经Sigmoid门控加权,残差连接保底输入;该模块不引入额外损失,仅决定正则项作用的表征变量。
3.3 时域非对称正交解耦:时域特征经双1×1投影得健康状态向量zf与工况参考向量zc,停止梯度作用于zc,损失Lorth=‖zf?sg(zc)‖F2(中心化列L2归一后)惩罚经验线性互相关;另加工况交叉熵Lcond保参考分支判别力,总Lcd=Lcond+λcdLorth。命题1证Lorth非负且仅当互相关矩阵全零时为零,实现非对称线性解耦而非完全独立。
3.4 类-域原型聚类正则:建C×K原型库(C类×K源工况),指数滑动平均更新;样本特征与同类的所有源工况原型为正、异类为负,损失Lprotob=?log(∑c′=cexp(sim)/∑c′exp(sim)),时频两分支累加得Lp;命题2表明该比下降可提升同类原型相对相似贡献,促跨域同类聚拢且异类可分。
3.5 双向时频原型对齐:各分支同类原型跨工况平均得聚合原型p?cb,时域特征以频域原型算对齐损失、频域特征以时域原型算反向损失,二者均值代入Lalign;其后拼接zft⊕zff经映射层得联合特征送分类。
3.6 数学优化式与求解:总目标L=Lcls+Lcd+λpLp+λaLalign(λp=0.25, λa=0.1, λcd=10),Mini-batch梯度更新θ,原型EMA独立;算法1明训练仅源域、测试仅未见目标域。
3.7 理论性质:命题1、2给出正交解耦与相对原型分离的数学性质;泛化解释指出三正则分别从降条件依赖、组织跨源同类几何、一致时频类判别关系入手,间接提升未见工况稳定性,但非新风险界证明。
4.1–4.2 数据集与设置:如上样本队列;输入图resize至规定尺寸,初始通道64、特征维256、batch128、epoch150、lr=1e-3、AdamW、decay=1e-2;权重仅由源域验证选,目标域不参调参。
4.3 对比数值结果:在SDUST与WHUT各三源选二训一测的六任务中,TFCD-DGNet平均准确率86.11%与90.23%,较最优对比(DGNIS)高1.90%与1.01%;难任务(如SDUST 0,1→2、WHUT 0,1→2)达79.72%、79.25%,超最优对比2.36%、2.74%;95%置信区间显示稳定性;混淆矩阵示外圈故障在低俗目标易混正常,TFCD-DGNet较DGNIS召回提升8.67/9.00百分点。
4.4 优化组件分析:消融MS-GBC换CNN、去Lcd、去Lp、去Lalign均掉点,去Lcd掉最显;同时去多项进一步降;用式27算时域健康特征对工况标签平均平方相关,较共享特征图降91.37%/96.41%,工况参考特征仍保0.405/0.419相关,证解耦有效。
4.5 超参敏感:β于1–25扫描,SDUST 0,1→2任务在β=10附近较优,过强损判别信息、过弱解耦不足。
讨论与结论翻译:研究人员在讨论中指出,该框架在大幅工况偏移任务优势明显,近饱和任务各法差异小且非统计显著;外圈故障低俗识别仍弱,需未来改进。结论部分表明,将跨工况故障诊断建模为条件解耦表征优化问题,并通过非对称正交正则、类域原型正则、双向时频对齐联合优化,可有效抑制工况相关干扰对故障表征的纠缠;在行星齿轮箱与轴承基准上,该TFCD-DGNet实现最高平均准确率与多数跨工况任务最优,验证了条件解耦表征优化对分布偏移下鲁棒性、可分离性与泛化能力的提升,为跨工况智能故障诊断提供有效优化框架。论文发表于《Mathematics》。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号