面向无监督跨域故障诊断的物理启发图融合与强化学习智能体

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Physics-inspired graph fusion and reinforcement learning agent for unsupervised cross-domain fault diagnosis

　　

# 摘要

在复杂多变的工作条件下，机械设备的可靠运行和准确故障诊断对于工业系统的安全性和可靠性至关重要。然而，现有的无监督跨域故障诊断方法在样本关系拓扑建模和域对齐方面仍存在局限性。物理信息难以与数据相关特征有效融合，且动态域对齐过程缺乏自适应调节机制。为解决上述问题，本文提出了一种基于具身智能启发的物理激励图融合与强化学习域适应（PIFRLDA）方法。首先，设计了一种物理激励残差门控图融合机制以构建自适应拓扑。该机制在潜在动态空间中构建物理激励图，并通过残差门控自适应地与数据驱动图融合，从而在保留样本关系的同时，为跨工况特征交互引入弱动力学相关引导。在构建的图上开发了一种双路径变换器样本聚合图网络，用于捕捉样本内特征交互和跨样本拓扑关系，从而增强对复杂工况下结构相关性的适应能力。此外，引入了双智能体协同域适应框架，联合优化样本选择和特征扰动，提高变工况下的动态感知和自适应调节能力。实验结果表明，与现有的先进无监督故障诊断方法相比，所提方法在诊断精度和跨工况泛化方面均具有显著优势。

# 引言

机械设备是现代工业系统的基本组成部分，广泛应用于制造、能源电力、轨道交通和航空航天等领域。其运行状态与生产效率、设备可靠性和运行安全密切相关[1]、[2]、[3]。由于长时间重载运行、严重干扰和工况变化，这类设备容易出现磨损、性能退化和突发故障。在不同工况下采集的监测信号往往表现出显著的分布差异，使得传统智能故障诊断方法难以实现稳定有效的跨工况检测[4]、[5]。此外，在实际工业场景中，目标工况下的准确标注数据往往难以获取[6]。这一问题在故障样本上尤为突出，因为其标注代价高且劳动密集，从而限制了传统监督学习方法直接应用于跨工况诊断任务[7]、[8]。

从具身智能（EI）的角度来看，感知、建模和决策之间的紧密协调为复杂工况下的故障诊断提供了有价值的见解，特别是在环境感知、状态理解和自适应调节方面[9]、[10]。对于变工况下的故障诊断，这一启示进一步表明，模型不仅需要提取故障特征，还需要适应由不同工况引起的数据分布变化。在此背景下，无监督域适应（UDA）作为解决目标域无标签时跨域迁移问题的一种重要方法，受到了广泛关注[11]。

UDA通过减少源域和目标域之间的分布差异，实现将有标签的源域知识迁移到无标签的目标域[12]、[13]。近年来，UDA在图像、文本和语音分类中取得了显著进展，展现了强大的跨域特征学习和分布对齐能力[14]。基于这些优势，UDA越来越多地应用于智能故障诊断，以解决可变机械工况下源域和目标域之间的分布不一致和有标签样本数量有限的问题。这种方法为复杂工业场景下的高精度跨域故障识别提供了重要的技术支持[15]、[16]。例如，Jiang等人[17]提出了一种增强的UDA方法，将齿轮箱振动响应机制与域映射策略相结合，以提高无标签目标域中的故障诊断能力。Pang等人[18]开发了一种基于联合切片Wasserstein距离的机械故障诊断UDA方法，以提高变工况下的域对齐和诊断精度。Ma等人[19]构建了一种具有增强可迁移性和可判别性的UDA方法，从而提高了跨工况故障识别性能。

尽管大多数现有的UDA方法主要强调全局分布对齐，但有效桥接有标签的源域和无标签的目标域需要考虑三类信息：类别标签、域标签和数据结构信息[20]。具体而言，类别标签从有标签的源域样本提供类别判别监督，并定义跨域共享的任务空间。域标签指示样本来自源域还是目标域，通常用于减少域间分布差异。数据结构信息描述了样本在特征空间中的内在组织方式，如局部分布特征、样本间相似性、邻域关系和局部几何关系[20]、[21]。当前方法通常关注类别和域标签，而往往忽视了样本间结构关系的显式建模，这可能导致深度网络学习到的特征表示结构感知能力不足。这一局限性在机械故障诊断中尤为关键，因为信号关系可能随机器健康状况的变化而发生显著变化[22]。将样本表示为关系图提供了捕获这些潜在结构依赖关系的显式手段。由于图神经网络（GNNs）在关系建模和结构特征学习方面的有效性，它们已成为跨工况故障诊断的一种有前景的方法[23]、[24]、[25]。例如，Li等人[20]提出了一种域对抗图卷积网络，该网络集成了分类、域判别和图卷积，从而提高了跨域特征对齐和可迁移特征学习。Ghorvei等人[26]提出了一种深度子域适应图卷积网络，其结构建模、对抗适应和局部最大均值差异的组合使得子域和全局域层面的协同对齐成为可能。Lei等人[27]开发了一种隐私保护的、无源域的、无监督多尺度图域适应网络，该方法通过多尺度混合注意力与自训练约束相结合，增强了结构特征学习和准确的跨域诊断。

尽管这些方法在故障诊断的结构关系建模方面是有效的，但它们在变工况下构建自适应拓扑方面存在局限性。在实际工业场景中，旋转机械通常长时间在包括变转速、变载荷和强噪声在内的复杂条件下运行。因此，采集的振动信号往往表现出显著的非平稳性和跨工况分布偏移。同时，故障样本获取成本高昂，不同健康状态之间的决策边界可能随工况变化而移动，进一步增加了稳定特征建模和准确诊断的复杂性。具体而言，固定的或手工设计的图结构无法有效响应样本关系的动态变化。虽然数据驱动的图构建提高了结构学习的适应性，但它往往缺乏来自机械系统物理机制和状态演化规律的有效约束[28]、[29]。因此，有必要将物理信息纳入故障特征建模过程，促进数据相关性和物理先验的有机融合，从而增强模型在复杂工况下表示故障特征的能力[30]。

无监督对抗学习已被广泛用于跨工况故障诊断，以减少源域和目标域之间的分布差异。传统的对抗网络通常采用固定的对齐策略，而没有考虑不同训练阶段和样本之间的对齐需求变化。在变工况下，早期训练阶段通常需要粗粒度的全局对齐，而后期阶段则需要更精细的样本级适应[11]。在整个训练过程中应用统一的对抗强度或静态优化方案可能导致对齐无效甚至负迁移[31]。为解决这些问题，需要自适应对齐策略来根据当前训练状态动态调节对齐过程。这些策略可能涉及调整对抗强度、选择可靠的目标样本，以及从全局分布对齐转向更精确的局部或样本级适应。强化学习提供了一种有前景的方法，因为它将域适应过程建模为序贯决策问题，并根据学习状态的反馈自适应地确定合适的优化动作[32]。例如，Liu等人[33]提出了一种基于深度强化学习的故障诊断方法，该方法能适应未知的工作环境。该方法通过特征选择、域对抗泛化和对抗奖励机制，增强了复杂工况下故障诊断的适应性和准确性。Cheng等人[34]开发了一种基于子集伪标签的强化对抗域适应轴承故障诊断方案。该方法利用无标签的目标域样本，并通过多级特征提取和动态高置信度伪标签学习提高了跨域诊断性能。Wang等人[35]提出了一种基于关系对齐和域强化特征适应的跨域复合故障诊断方法。该方法将深度强化学习与域对抗训练相结合，从而提高了对齐能力和诊断精度。综述研究表明，基于强化学习的策略在UDA中实现了动态决策和自适应调节，从而为解决静态对抗对齐的局限性提供了有力的理论依据。

尽管现有方法已将强化学习智能体引入域对抗迁移过程，但大多数研究仍遵循单智能体调节范式，尚未充分探索多智能体协同决策在跨域故障诊断中的潜力。在实际工业环境中，诊断数据可能受到传感器噪声、运行干扰或异常样本的污染。同时，跨域诊断通常面临样本质量不均、目标域样本完全无标签以及变工况下域差异不确定等问题。由于目标域故障类别无法直接监督，被污染的源域样本和过强的对齐可能导致负迁移。因此，源域样本质量控制和域对齐调节是跨域对抗训练中的两个关键相关优化组件。源域样本需要动态评估和选择，以减少来自噪声或异常样本的负迁移。同时，特征扰动或域对齐强度应自适应控制，以提高不同训练阶段中对抗优化的有效性。由于这两个任务在状态感知、动作选择和奖励目标方面存在差异，单智能体无法有效处理两者。受EI中感知、建模和决策协调机制的启发，双智能体协同学习框架为每个智能体分配不同的优化任务。这种设计更能有效地适应复杂工况下动态演化的域迁移过程。因此，引入双智能体协同学习机制，由不同智能体分别负责样本选择和对抗调节，可以促进更灵活、更稳定的域适应优化。

尽管现有的无监督迁移故障诊断方法在跨工况知识迁移方面取得了进展，但仍存在一些问题需要进一步研究：

（1）机械故障通常随着部件退化而连续演化，而非表现为孤立的信号模式。因此，诊断样本之间存在故障严重程度、运行状态和潜在机械机制的相关性。准确捕捉这些物理和演化关系对于识别复杂工业场景中的故障模式至关重要。

（2）工业环境中的旋转机械经常在变转速、变载荷和环境干扰条件下运行。这些条件会引起源域和目标域之间的分布偏移，并改变诊断样本在特征空间内的关系。因此，有效的跨工况故障诊断需要一种能够自适应捕捉演化的样本间依赖关系的建模方法，而不是依赖静态的样本关系。

（3）在实际工业环境中，诊断数据往往受到传感器噪声、运行干扰或异常样本的影响，导致源域样本质量不一致。此外，目标域标签通常不可用，且域差异可能随不同工况而变化。在这些场景中，不可靠的源样本的存在和静态对齐策略的使用可能导致负迁移。因此，有效的适应需要动态调节整个训练过程中可迁移的源域信息和跨域对齐强度。

为解决上述局限性，本文提出了一种具身智能启发的物理激励图融合与强化学习域适应方法，称为PIFRLDA。该方法包含一个物理激励残差门控图融合机制（PIRGF）、一个双路径变换器样本聚合图网络（DP-TSGN）和一个双智能体协同域适应（DACDA）框架。具体而言，PIRGF通过引入物理激励残差门控图融合机制增强了模型捕捉样本关系结构的能力。该设计将物理激励正则化信息纳入图构建中，从而为跨工况特征表示学习提供了弱动力学相关引导。DP-TSGN基于双路径动态拓扑图聚合架构构建，能够动态建模样本内特征交互和样本间拓扑关系。

DACDA采用基于双智能体强化学习的协同域适应框架，动态优化样本选择与特征对齐，从而在复杂工况下提升模型的适应性、稳定性和诊断精度。本文的主要贡献总结如下：（1）现有的跨工况图建模方法主要依赖基于特征相似度的静态图，难以充分捕捉工况依赖的动态行为。PIRGF在隐式动态状态空间中构建物理启发图，并利用控制方程残差自适应融合物理信息与数据驱动图信息，使样本间关系能够同时反映特征关联与动态行为。（2）传统图神经网络通常依赖固定图结构，限制了对样本间关系变化的适应能力。DP-TSGN将基于Transformer的全局依赖建模与基于样本及聚合的局部图更新相结合，使图拓扑与特征表示能够以耦合方式共同演化。（3）在实际工业故障诊断中，噪声或受污染的源域数据可能在域对齐过程中引入负迁移。DACDA通过双智能体协同机制，将源样本可靠性估计与特征扰动对齐相结合，使适应过程能够在噪声工业条件下由可靠源知识加以引导。本文其余部分组织如下：第2节介绍本文的理论背景；第3节描述所提出PIFRLDA方法的详细架构；第4节报告并分析实验结果；最后，第5节总结全文。图样本与聚合：传统图卷积神经网络（GCN）通常建立在预定义的全局图结构之上，其训练与推理过程一般依赖于整图的邻接关系，因此更适合图结构相对稳定的场景。当需要频繁添加或移除节点，或需对未见节点进行表示学习时，其灵活性与可扩展性受到限制。相比之下，图样本与聚合方法……所提方法：所提出的无监督跨域故障诊断方法的整体框架如图2所示。首先，从不同工况下的设备采集振动信号。为解决故障类别分布不平衡及各工况间差异显著的问题，对原始信号进行预处理，并按工况划分源域与目标域，以供后续模型训练与性能评估。处理后的振动样本……实验数据集描述：为验证所提方法在变工况下旋转机械迁移故障诊断的有效性与泛化能力，实验在两个公开数据集上开展，包括轴承数据集和齿轮数据集。（1）HUSTbearing数据集：本文采用华中科技大学（HUST）提供的HUSTbearing数据集[39]。该数据集包含在不同工况下采集的轴承振动信号……结论：针对变工况下机械故障诊断中拓扑建模不足与动态域对齐能力有限的问题，本文提出了PIFRLDA方法。该方法采用PIRGF自适应融合物理启发图与数据驱动图，从而构建自适应拓扑结构。在此基础上，开发DP-TSGN以联合建模全局特征交互与局部邻域关系，并进一步引入DACDA……CRediT作者贡献声明：Xin Xia：初稿撰写、软件、方法论、调查研究、形式化分析、概念构思。Xihong Fei：审阅与编辑、方法论、经费获取、数据管理、概念构思。Tian Fang：验证、调查研究、概念构思。Zhenyi Xu：验证、资源、概念构思。Kang Wang：验证、调查研究、概念构思。Jing Wang：审阅与编辑、验证、经费获取。利益冲突声明：作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。Xin Xia | Xihong Fei | Tian Fang | Zhenyi Xu | Kang Wang | Jing Wang