《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Edge-deployable pseudo-supervised fault diagnosis for RV reducers: a lightweight method based on physical prior guidance and diffusion reconstruction
编辑推荐：
•提出了一种轻量级跨域故障诊断框架。•正交解耦算子分离了背景信号和故障冲击。•条件MLP-Mixer扩散模块实现了高效特征去噪。•Sinkhorn子域最优传输改进了细粒度子域对齐。•伪标签细化提高了目标域样本预测的鲁棒性。引言工业互联网（IIoT）技术正在加速智能制造的深度转
- •
提出了一种轻量级跨域故障诊断框架。
- •
正交解耦算子分离了背景信号和故障冲击。
- •
条件MLP-Mixer扩散模块实现了高效特征去噪。
- •
Sinkhorn子域最优传输改进了细粒度子域对齐。
- •
伪标签细化提高了目标域样本预测的鲁棒性。
引言
工业互联网（IIoT）技术正在加速智能制造的深度转型[1], [2]。作为工业机器人等高端设备的关键部件，摆线针轮（RV）减速器的健康状态直接决定了整个机械系统的运行精度和可靠性[3], [4]。在实际生产过程中，RV减速器往往面临重载、频繁启停等复杂工况，导致内部滚动轴承极易出现疲劳剥落、磨损等损伤[5]。与传统齿轮箱不同，RV减速器的故障诊断面临更为严峻的挑战。RV减速器内部集成了行星和摆线针轮两套精密传动机构，产生高度非平稳且多源耦合的振动信号[6]。此外，曲轴轴承、支撑轴承等关键部件安装在设备内部，局部损伤产生的瞬态冲击需经过复杂的传动路径后才能到达外部传感器。这导致故障特征能量大幅衰减，极易被强烈的齿轮啮合信号和环境噪声所掩盖[7]。因此，RV减速器的振动信号具有极低的信噪比和强非平稳特性，对跨域特征对齐构成了严峻挑战。若无法在工业边缘节点实现精确的故障诊断，将导致设备性能下降，甚至引发非计划停机，造成维护决策延迟和严重的经济损失[8], [9]。然而，工业边缘设备通常受到计算能力、内存和能量资源的限制[10]。许多深度学习模型由于参数量庞大、计算开销高，难以直接部署在这些节点上，难以满足实时监测的延迟要求[11]。因此，开发一种轻量级且鲁棒的滚动轴承故障诊断方法对于保障设备运行安全具有重要意义。
基于经典信号处理和传统机器学习的方法是早期故障诊断研究的主要手段[12]。鉴于轴承振动信号通常表现出强非平稳和非线性特性，研究人员广泛采用了时域分析[13]和频域分析[14]等技术从信号中提取有用的特征信息。这些依赖专家经验的特征随后被输入支持向量机[15]等浅层机器学习模型进行模式识别。尽管取得了一定成果，但其诊断性能严重依赖于专家的 prior knowledge。当处理由多源激励和耦合产生的复杂信号时，传统方法往往难以提取鲁棒的故障特征，这严重限制了其在实际工程中的应用，也难以高效利用IIoT采集的大量数据。
近年来，在IIoT和边缘计算平台发展的推动下，深度学习技术在机械故障诊断领域取得了显著进展[16], [17]。卷积神经网络[18]和Transformer[19]等模型可以直接从大量振动信号中提取特征，克服了人工特征提取的约束。然而，大多数现有深度学习模型是在训练集和测试集服从独立同分布这一严格假设下开发的[20]。在工业生产中，设备的转速和负载往往随任务变化而剧烈波动，导致不同工况下振动信号出现显著的分布偏移[21]。这种域偏移使得在单一工况下训练的模型一旦部署到新的运行环境，其诊断性能就会急剧下降。
为克服跨域场景下模型泛化的挑战，无监督域适应（UDA）技术被引入故障诊断领域[22]。UDA的核心在于利用有标签的源域数据和无标签的目标域数据，通过特征对齐策略提取跨域不变的特征表示[23]。基于统计的跨域方法主要依赖于最大均值差异[24]或协方差对齐[25]等技术来减小跨域特征的全局分布差异。随后，受生成对抗网络（GANs）[26]的启发，域对抗神经网络（DANNs）[27]被提出，通过极小极大博弈实现跨域特征混淆。近年来，为消除全局对齐造成的类间混淆，一些研究人员转向子域适应以实现类内特征的细粒度对齐[28]。同时，去噪扩散概率模型等先进的生成式人工智能技术被引入特征对齐和数据增强，展现出强大的分布拟合能力[29]。然而，随着模型深度增加和生成架构的引入，参数量和计算复杂度大幅膨胀。大多数传统扩散模型依赖于计算冗余的U-Net架构，其复杂的内部结构导致计算开销高[30]。在工程应用的边缘计算场景中，受限于硬件设备有限的GPU显存和低功耗瓶颈，这些庞大而复杂的模型无法满足RV减速器滚动轴承实时诊断的低延迟需求。因此，在保证跨域诊断精度的前提下，如何开发轻量级模型架构已成为工业智能运维领域的研究热点。
尽管域适应和轻量级模型在故障诊断方面取得了一些进展，但面对复杂多变的工况时，仍存在几个关键技术瓶颈亟待解决。例如，高能量运行背景容易掩盖故障冲击且难以解耦；现有扩散模型复杂且缺乏约束；伪标签过度依赖置信度分数。这些问题在严重域偏移下容易引发负迁移效应。
为解决上述挑战，本文针对边缘计算场景，提出了一种基于物理先验引导与扩散重建的轻量级域适应故障诊断方法（LPGDR）。本文的主要贡献如下：
- 1.
提出了一种样本标准化与时频联合掩码增强策略。该策略通过锚定瞬态冲击，消除盲滑窗引起的时序错位，并利用时频联合掩码增强模型提取全局鲁棒特征的能力。
- 2.
设计了一种正交解耦算子。该算子强制在特征空间内解耦运行背景和故障冲击，有效保证故障表征的高纯度。
- 3.
构建了一个物理引导的条件多层感知机混合器（MLP-Mixer）扩散去噪模块。该模块以物理频段作为锚点，在潜空间中强约束反向生成过程，以低计算开销精确消除复杂背景噪声。
- 4.
提出了一种Sinkhorn子域最优传输与伪标签细化机制。该机制通过子域最优传输实现跨域样本的细粒度对齐，并利用去噪重建误差评估样本不确定性，过滤错误伪标签。
本文结构组织如下。第2节详细阐述了LPGDR的理论细节，包括样本标准化与时频联合掩码增强策略、正交解耦算子、条件MLP-Mixer扩散去噪模块、Sinkhorn子域最优传输以及伪标签细化机制。第3节介绍了RV减速器试验台和数据集，并通过消融实验和对比实验全面评估了LPGDR在跨工况下的诊断性能和鲁棒性。第4节为本文的结论。
章节摘要
总体框架
为应对故障冲击易被强背景噪声掩盖以及工况变化导致的分布偏移等挑战，本文提出了一种轻量级跨域故障诊断方法。该方法构建了一个涵盖数据处理、特征提取、扩散去噪和跨域对齐的综合框架。总体框架如图1所示。
在数据处理阶段，采用基于Hilbert的样本标准化策略
实验数据集
为验证所提方法在跨工况条件下的有效性，在RV减速器试验台上进行了故障模拟和数据采集。试验台主要由控制面板、驱动电机、RV减速器、扭矩传感器和磁粉制动器等关键部件组成。其结构和测点分布如图6所示。运行过程中，驱动电机提供输入动力，经过RV减速器减速后，
结论
在许多工业物联网边缘计算场景中，由于资源有限，轴承故障诊断等决策无法依赖大型跨域诊断模型。为此，本文开发了用于域适应故障诊断的LPGDR方法。该方法克服了复杂工况导致的泛化瓶颈，以低计算开销实现了高度鲁棒的跨域故障诊断。
为提高样本的跨域一致性
作者贡献声明
薛琳琳： 撰写初稿，验证，方法学，概念化。王坤： 可视化，软件，形式化分析。黄宇坤： 可视化，调查，数据管理。张万洋： 软件，方法学。罗华庚： 撰写审阅与编辑，资源，资金获取。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所报告的工作。
薛琳琳|王坤|黄宇坤|张万洋|罗华庚
