跨传感器域自适应多点监测网络用于机械故障诊断

《PLOS One》：Cross-sensor domain adaptation multi-point monitoring network for mechanical fault diagnosis

　　

近年来，基于多点传感器数据融合的机械故障诊断系统取得了显著进展。然而，这些系统仍面临若干关键挑战：各监测点之间的数据分布存在显著差异、新部署监测点处带标签故障样本稀缺，以及为每个传感器单独训练模型的成本过高。本研究提出UCTL，一种端到端的无监督跨传感器迁移学习网络（Unsupervised Cross-Sensor Transfer Learning Network），能够将来自有标签源监测点的故障特征迁移并复用到数据分布不同的无标签目标监测点，从而实现多点监测系统中的跨传感器域自适应。UCTL主要由两个核心组件构成。第一，通过修改原始Swin Transformer开发了一维（1D）Swin Transformer骨干网络，该网络可直接接收一维振动输入而无需时频图转换，并通过移位窗口自注意力机制高效提取多尺度及时间相关特征。第二，提出一种联合分布对齐方法，将最大均方差异（Maximum Mean Square Discrepancy, MMSD）和方差差异表示（Variance Discrepancy Representation, VDR）扩展为其联合形式（Joint MMSD和Joint VDR）。通过加权公式独立控制均方差异与方差差异的对齐强度，提升模型在不同跨传感器场景下的适应性，同时降低类别错配风险。在CWRU轴承数据集和XJTU Spurgear数据集上的六个跨传感器迁移任务实验中，所提方法实现了超过99%的平均诊断准确率。此外，利用某一监测点预训练参数进行初始化后，UCTL能够显著减少训练轮次，提升模型部署效率。消融研究进一步证实了一维Swin Transformer骨干网络的优势以及混合损失的协同效应，验证了所提方法作为一种稳健的跨传感器域自适应方法的有效性。

跨传感器域自适应多点监测网络用于机械故障诊断——论文解读

一、研究背景与问题提出

随着工业机械智能化程度的不断提高，机械故障诊断系统对准确性和鲁棒性的要求日益严苛。深度学习技术已在工业健康监测与故障预测领域取得显著成功，包括电动飞机螺旋桨气动性能预测、锂电池荷电状态预测等任务。为全面表征工业设备的运行状态，现代故障诊断系统通常在关键位置部署多组同质传感器（如加速度传感器），构成多点监测网络，以提升诊断精度和系统鲁棒性。

然而，多点监测网络带来了新的挑战。传统方法为每个监测点单独训练诊断模型，存在三个根本性缺陷：其一，每个新传感器都需要重新采集和标注故障样本，对于稀有故障模式而言成本高昂且有时不可行；其二，各监测点需分别训练、存储和维护模型，计算开销随传感器数量线性增长；其三，某一监测点学到的知识无法在其他监测点复用，部署效率低下。这些问题的根源在于：故障信息沿不同传播路径到达各监测点，且不同位置的传感器具有不同的固有参数，导致各监测点间数据分布不一致。

针对上述问题，域自适应（Domain Adaptation）方法通过对齐跨传感器特征分布、提取通用的故障不变表征，使单一有标签源传感器模型能够泛化到无标签目标传感器。相比传统信号预处理和独立建模方法，该方法可降低标注开销、实现网络级模型复用，并在传感器引起的分布差异下保持高诊断精度。然而，现有研究仍存在若干不足：基于CNN的方法受限于局部感受野，无法捕捉振动信号中的全局时间依赖；传统Transformer采用全局自注意力，对长振动序列具有二次计算复杂度；最大均值差异（Maximum Mean Discrepancy, MMD）仅对齐一阶统计量（均值），完全忽略方差等高阶统计量差异，难以充分表征不同监测点振动信号的跨域差异。

二、研究内容与主要贡献

针对上述问题，研究人员提出了一种端到端的无监督跨传感器迁移学习网络UCTL，主要贡献包括三个方面：

第一，提出UCTL网络架构，解决工业多点监测系统中传感器位置间数据分布差异阻碍跨传感器知识复用的核心问题。通过源监测点预训练权重初始化，显著降低再训练开销，缓解目标监测点的标签数据依赖。

第二，提出一维Swin Transformer（1D Swin Transformer）架构用于跨传感器域自适应。通过移位窗口自注意力机制，高效捕获各监测点振动信号共享的多尺度故障特征和长程时间依赖。直接处理原始一维信号，避免了二维时频变换所需的繁琐预处理，为端到端跨传感器迁移学习奠定基础。

第三，提出增强的联合分布对齐方法，将最大均方差异（MMSD）和方差差异表示（VDR）扩展为联合形式（JMMSD和JVDR），通过独立权重因子融合为Joint VDR-MMSD（JVM）。该方法同时对齐边缘分布和类条件分布，从均值和方差两个角度匹配不同传感器监测点间的分布差异，并通过权重因子灵活平衡均方敏感性和方差敏感性。

三、关键技术方法

研究人员采用的主要技术方法包括：

1D Swin Transformer骨干网络：对原始Swin Transformer进行三维定制化修改以适应一维机械振动信号。将patch size设为1，即每个物理采样点作为独立token，避免正常样本与故障样本间的强制平均，保留早期故障引起的高频窄瞬态脉冲。采用三阶段层级结构（[2,4,2]配置），将计算资源集中于中间尺度模块以建模故障脉冲的周期相关性和调制特性。移位窗口机制实现线性复杂度计算，同时通过跨窗口信息流动保持局部精度与全局上下文聚合。

联合分布对齐方法（JVM）：将MMSD和VDR扩展至联合形式。通过特征核与softmax核的Hadamard积构造张量积核，对齐联合分布P(f,s)而非仅边缘分布P(f)。MMSD利用局部高斯核直接对核矩阵平方，同时编码均值和方差信息；VDR利用重尾Student-t核，先对核矩阵进行中心化去除一阶均值嵌入，再平方聚焦二阶方差结构。两者通过独立权重因子加权融合。为应对冷启动问题，采用两阶段预热策略：前N_warmup个epoch仅应用边缘MMSD对齐，待分类器产生可靠softmax输出后激活完整JVM联合对齐。

实验数据集：CWRU轴承数据集（三个监测位置：支撑底座BA、风扇端FE、驱动端DE，五种故障状态）和XJTU Spurgear齿轮数据集（西安交通大学航空发动机研究所提供，12个加速度计安装于齿轮箱不同位置，五种健康状态，三种转速工况）。

四、研究结果

4.1 跨传感器任务实验结果

在CWRU和XJTU Spurgear数据集上各选取三个传感器位置（A、B、C），构建六个跨传感器迁移任务（A→B、A→C、B→A、B→C、C→A、C→B）。训练曲线显示损失在前50个epoch内快速下降后逐渐收敛至约0.5。CWRU数据集的训练稳定性略逊于XJTU Spurgear数据集，主要归因于所选迁移任务的可用样本较少。混淆矩阵结果表明：XJTU Spurgear数据集上所有任务准确率均超过0.99，CWRU数据集上所有任务准确率均达到1.0。t-SNE可视化显示，通过JVM联合分布对齐，两个域中同类样本紧密聚集，呈现清晰的类内聚合和类间分离，证实UCTL有效实现了跨传感器特征分布对齐，特别是类条件对齐。

4.2 新增监测点训练效率分析

为验证UCTL在新部署监测点处的训练效率提升，研究人员先在A位置训练独立诊断模型，利用其参数初始化迁移任务A→B和A→C。以连续五个epoch平均测试准确率首次超过98%作为收敛标准。CWRU数据集上，预训练初始化迁移任务分别在第22和67个epoch收敛，相比B、C位置独立训练（109和113个epoch）减少79.8%和40.7%，相比随机初始化迁移（148和168个epoch）减少85.1%和60.1%。XJTU Spurgear数据集上，预训练初始化迁移分别在第51和77个epoch收敛，相比独立训练（103和145个epoch）减少50.5%和46.9%，相比随机初始化迁移（196和194个epoch）减少74.0%和60.3%。结果表明，利用监测点预训练参数初始化后应用UCTL迁移，可显著减少所需训练轮次，提升新增监测点的模型部署效率。

4.3 对比实验与消融研究

对比实验设置了五种配置：1D-SwinT（无分布对齐基线）、CNN+JVM、1D-SwinT+VDR、1D-SwinT+MMSD和所提方法（1D-SwinT+JVM）。结果显示，所提方法在两个数据集上均达到或接近1.0的测试准确率，优于所有对比方法。无分布对齐的1D-SwinT基线在两个数据集上准确率均低于0.7，验证了UCTL架构中分布对齐模块的必要性。

骨干网络消融方面，CNN骨干在CWRU数据集上的性能显著劣于XJTU Spurgear数据集，而1D Swin Transformer在两个数据集间性能差异可忽略。这主要因为CWRU数据集在特定工况下样本量远少于XJTU Spurgear数据集，传统CNN在低数据量场景下性能退化严重，即使配备JVM分布对齐模块，其特征表征能力仍明显低于1D Swin Transformer，验证了UCTL框架在不同样本规模数据集上的强泛化能力。

分布对齐方法消融方面，MMSD基线已取得较好的跨传感器诊断精度（多数任务超过0.9），因其有效编码了振动信号的均值和方差统计特征，比仅关注方差的VDR提供更全面的分布差异表征。通过加权融合VDR，进一步增强了模型捕捉振动信号细粒度方差差异的能力，最终诊断性能提升更为显著。

4.4 超参数消融实验

对patch size和stage配置进行消融研究。patch size为1且stage配置为[2,4,2]时取得最佳性能，CWRU平均准确率1.0000，XJTU Spurgear平均准确率0.9976。patch size为1保留振动信号完整时间分辨率，使细粒度瞬态故障特征得以保留；较大patch size（4、8）缩短序列长度，在XJTU Spurgear上造成最高4.3%的准确率下降。stage配置方面，[2,4,2]将表征能力集中于中间阶段，在特征抽象和参数效率间取得最佳平衡；更深的[2,2,6,2]配置因训练样本有限导致过参数化而性能持续不佳。

4.5 参数敏感性实验

对JVM中两个权重因子λ_MMSD和λ_VDR进行穷举网格搜索，覆盖25种参数组合。结果表明所提方法对权重因子具有较好的鲁棒性，在较宽参数范围内均能保持高诊断精度，同时独立权重因子设计允许针对不同跨传感器场景灵活调节均方敏感性和方差敏感性的相对强度。

五、研究结论与意义

本研究针对工业多点监测系统中传感器位置间数据分布差异阻碍跨传感器知识复用的核心问题，提出了UCTL端到端无监督跨传感器迁移学习网络。通过1D Swin Transformer骨干网络高效提取振动信号的多尺度故障特征和长程时间依赖，通过JVM联合分布对齐方法同时对齐边缘分布和类条件分布，从均值和方差两个角度全面匹配跨传感器分布差异。在CWRU轴承数据集和XJTU Spurgear齿轮数据集上的六个跨传感器迁移任务中，UCTL实现了超过99%的平均诊断准确率。利用监测点预训练参数初始化可显著减少训练轮次，提升新监测点模型部署效率。该研究为多点监测系统中传感器更换和新节点扩展提供了成熟、低成本的解决方案，论文发表在《PLOS One》。