《Advances in Mechanical Engineering》：A novel multi-task learning framework for bearing remaining useful life prediction under variable operating conditions: Integrating deep hybrid model and invariant consistency strategy
编辑推荐：
现有的滚动轴承剩余寿命（remaining useful life，RUL）预测方法在可变运行工况下，常因源域与目标域之间的虚假相关（spurious correlation）而导致性能退化。为解决这一问题，提出了一种多任务学习框架。具体而言，本文构建了一个深
现有的滚动轴承剩余寿命（remaining useful life，RUL）预测方法在可变运行工况下，常因源域与目标域之间的虚假相关（spurious correlation）而导致性能退化。为解决这一问题，提出了一种多任务学习框架。具体而言，本文构建了一个深度混合模型作为共享特征提取器。基于底层特征共享的思想，研究人员将主回归任务与辅助任务集成进行建模。首先，研究人员采用不变一致性学习（invariant consistency learning，ICON）来缓解两个域之间的虚假相关，并提取有效的域不变特征。其次，为进一步降低虚假相关的不利影响，研究人员添加白噪声以生成增强样本。该方法扩展了样本分布，提高了模型对不同运行工况下信号的适应性。最后，研究人员利用原始样本、增强样本以及两类任务对模型进行联合优化与训练。为验证所提方法的有效性，研究人员在两个滚动轴承数据集上开展了实验，并与其他方法进行了比较。结果表明，所提方法能够在变化运行工况下有效预测轴承的剩余寿命。
# 论文解读：融合深度混合模型与不变一致性策略的轴承剩余寿命预测新框架
## 一、研究背景与问题
在现代工业快速发展的背景下，机械设备作为各类生产活动的核心基础，其运行稳定性直接影响大规模制造系统的生产效率、精密仪器的运行精度乃至整个产业链的顺畅运转。轴承作为机械系统中最基础的部件之一，其运行状态对设备整体稳定性具有决定性作用。轴承故障容易引发严重的安全事故和巨大的经济损失，因此准确预测轴承的剩余寿命（remaining useful life，RUL）是保障机械设备安全可靠运行的关键措施。
然而，在实际工业场景中，轴承的运行条件高度复杂且多变。由于载荷和转速波动等动态因素以及环境干扰的影响，轴承传感器采集的数据样本常常出现分布偏移（distribution shift）。即使在相同的运行条件下，不同轴承的数据分布也可能存在差异。更为关键的是，在高速、变载荷等复杂工况下，环境因素极易与轴承的剩余寿命形成虚假相关（spurious correlation）。例如，高速工况下剧烈的机械振动常导致监测信号幅值显著增大，这种现象会误导模型学习到“转速越高则寿命越短”的虚假映射，而该映射并不能反映轴承真实的物理退化规律，导致模型无法捕捉表征结构损伤和寿命退化的本质特征。
此外，传统的单任务（single-task）架构仅针对单一优化目标设计，无法联合建模退化阶段的划分与剩余寿命的回归。实际上，学习这些相互关联的退化行为能够使模型深入探索反映设备内在物理特性的潜在特征。缺乏联合学习机制的单任务模型无法充分挖掘与设备劣化相关的特征空间，极大限制了其泛化能力。
现有方法在应对上述挑战时存在明显不足：控制与系统优化领域的主动控制方法主要擅长系统调节，缺乏从时序信号中消除虚假相关的专门机制；已有域自适应（domain adaptation）方法虽能缩小域间分布差异，但在跨域对齐过程中可能将源域的虚假相关不加区分地迁移至目标域，造成严重的负迁移；工业寿命预测中广泛使用的单任务模型则因仅针对单一回归目标而无法捕获设备不同退化模式与健康状态之间的内在关联。值得注意的是，ICON范式虽已在计算机视觉领域取得成效，但其最初是为基于图像的跨域分类任务设计的，无法直接应用于机械寿命预测领域。
## 二、研究方法概述
研究人员提出了一种基于不变一致性策略和多任务协作的新型预测框架。该框架以深度混合模型作为共享特征提取器，通过底层特征共享，同时执行退化阶段分类和剩余寿命预测两个任务。在辅助分类分支中嵌入不变一致性机制，并结合加性高斯白噪声（additive white Gaussian noise，AWGN）增强策略来扩展特征分布边界，引导模型学习跨工况的域不变因果特征。模型利用原始样本、增强样本和两类任务进行联合优化，总损失函数由回归任务的MSE损失与辅助任务的分类损失、自训练损失、迁移损失、一致性损失、不变性损失及额外BCE损失加权组合而成。研究人员在两个公开轴承数据集——IEEE PHM 2012轴承数据集和XJTU-SY轴承数据集——上设计了四项跨工况迁移任务来验证框架的有效性，并与微调（fine-tuning）、相对子空间距离（relative subspace distance，RSD）以及SFDA、SSA、DARE-GRAM、COD、TikUDA、UGA等先进域自适应方法进行了对比。
## 三、研究结果
### 1. 预测精度对比
在任务1中，所提方法取得RMSE为0.1453±0.0103、MAE为0.1141±0.0093的置信区间，优于ICON组内其他方法，误差范围最小；在任务2中，所提方法同样取得ICON组内最优结果。在数据集B的任务3中，所提方法取得RMSE为0.1189±0.0208、MAE为0.0947±0.0194；任务4中取得RMSE为0.1469±0.0121、MAE为0.1227±0.0136，均展现出最低均值和较窄误差范围。结果表明所提方法在跨工况预测中具备优越性。
### 2. 预测稳定性分析
小提琴图显示，任务1中模型5–8呈现较宽的RMSE分布且中位数偏高，表明拟合稳定性较差；所提方法的RMSE分布紧凑且位于较低范围。任务3中，RSD组方法小提琴体延伸较长，反映稳定性不足；所提方法的中位RMSE最低，分布特征良好，不仅显著降低了预测误差，还增强了预测结果的鲁棒性。
### 3. 迁移策略比较
预测曲线对比显示，任务1和任务2中，所提方法的RUL预测曲线更接近真实RUL值，优于模型4（微调策略）和模型8（RSD策略）的预测曲线。在任务3中，模型4的预测曲线偏离最为严重；任务4中，模型8在中后期出现明显波动。所提方法在全部任务中均保持平滑趋势并紧密跟随真实RUL轨迹，验证了ICON策略的有效性。
### 4. 对比分析
与六种经典域自适应方法对比，所提方法在两个数据集的所有任务中获得更低的平均RMSE和MAE，且误差波动范围更窄。在计算开销方面，尽管所提方法的训练时间略长于部分比较方法，但在数据集A上推理时间为2.1ms/样本，数据集B上为1.6ms/样本，完全满足工业实时部署需求。
### 5. 消融分析
逐步消融实验表明：引入注意力机制显著降低了两个任务的预测误差（M1对比M0）；依次添加自训练损失和迁移损失（M2）、额外BCE损失（M3）、一致性损失（M4）及不变性损失（Our）后，模型性能逐步提升，集成完整ICON机制后预测性能提升最为显著。噪声强度敏感性分析显示，噪声强度为5%时模型取得最优预测结果；Top-k值敏感性分析表明，Top-k=5时为最优设置。
## 四、研究结论
本文针对跨工况轴承寿命预测中的虚假相关问题，提出了一种基于不变一致性学习与多任务协作的预测框架。该框架采用混合模型作为共享特征提取器，通过联合优化两个任务实现协同训练。在辅助任务中引入不变一致性机制以缓解跨域虚假相关和分布偏移，同时向原始振动信号中添加白噪声以扩展样本分布，进一步抑制虚假相关带来的干扰。
研究得出两项关键结论：（1）集成深度混合模型的多任务架构能够充分挖掘来自不同域的信号数据中的退化特征，有效增强模型在变工况下的迁移性能；（2）AWGN数据增强策略与不变一致性约束的双重设计能够针对性地抑制跨工况下的虚假相关，显著提升变工况场景下轴承剩余寿命的预测精度。该研究为可变运行条件下的轴承寿命预测提供了一种有效的新途径，相关成果发表于《Advances in Mechanical Engineering》。
