《ADVANCED ENGINEERING INFORMATICS》：Synergistic feature augmentation and alignment for domain generalized fault diagnosis of industrial rotating machinery
编辑推荐：
摘要基于一维信号的旋转机械故障诊断在变化的运行条件下，由于分布偏移而经常面临性能下降的问题。域泛化（DG）旨在从标记的源域中学习一个模型，该模型能够在不访问目标数据的情况下泛化到未见过的目标域。然而，现有的 DG 方法在真实模拟域间偏移、强制扰动一致性学习以及处理模糊决策边界
摘要
基于一维信号的旋转机械故障诊断在变化的运行条件下，由于分布偏移而经常面临性能下降的问题。域泛化（DG）旨在从标记的源域中学习一个模型，该模型能够在不访问目标数据的情况下泛化到未见过的目标域。然而，现有的 DG 方法在真实模拟域间偏移、强制扰动一致性学习以及处理模糊决策边界方面仍面临局限。为了解决这些挑战，本文提出了一种面向一维故障诊断的统一 DG 框架。首先，一个分布感知的源域特征增强模块通过扰动通道级特征统计量来生成语义保留但分布多样的特征，从而模拟潜在的未见域变化。其次，引入不确定性引导的特征对齐正则化，从预测不确定性和原始 - 增强差异构建样本级重加权系数，从而使辅助监督更多地关注不确定和扰动敏感的样本。第三，纳入自适应角度间隔损失，根据类内紧凑性和类间分离度在角度空间中细化特定类别的决策边界。在留一域协议下，对 PHM2009 齿轮箱数据集和一个专有轴承数据集进行的广泛实验证明了所提方法的有效性。所提框架在两个案例上分别取得了 80.46% 和 87.46% 的平均准确率，消融研究进一步验证了每个组件的贡献。
引言
旋转机械是工业系统中应用最广泛且对安全至关重要的机械设备类别之一。由于这类设备通常在恶劣的工作条件下连续运行，故障可能导致生产中断、经济损失甚至安全隐患 [1], [2], [3]。因此，准确的状态监控和故障诊断对于提高设备可靠性和实现预防性维护至关重要。
在实际应用中，智能故障诊断仍面临两大挑战。首先，机械通常长时间保持健康运行状态，使得真实故障数据难以收集。其次，速度、负载等其他工作条件的变化往往导致振动信号出现显著的分布偏移。因此，同一故障类别的特征分布在不同域之间可能存在显著差异，这严重降低了在单一运行条件下训练的模型在部署到未见场景时的性能。
深度学习在单域故障诊断中取得了显著成功，因为它可以直接从原始信号中学习判别性表示，对人工设计经验的依赖有限 [4]。为了缓解分布偏移导致的泛化性能下降，迁移学习方法在旋转机械诊断中得到了广泛研究 [5], [6]。其中，域适应故障诊断（DAFD）通过对齐源域和目标域来提高性能，但在训练期间需要访问目标域数据 [7], [8], [9]。然而，在许多实际工业场景中，目标域事先不可用或可能完全未见。在这种情况下，域泛化故障诊断（DGFD）变得更加合适，因为它旨在从多个源域中学习可迁移的知识，而无需依赖目标域样本 [10], [11], [12]。
现有的 DGFD 研究主要通过数据增强、基于优化的策略和表示学习技术来提高模型泛化能力 [13], [14], [15]。尽管这些方法取得了令人鼓舞的结果，但它们在在一维旋转机械诊断中的有效性仍受几个问题的限制。首先，许多增强方法专注于原始信号空间中的局部扰动或插值，这无法充分模拟跨域深度特征的分布全局变化。其次，扰动样本通常仅作为额外的训练数据使用，而原始表示和增强表示之间的一致性未受到显式和自适应的约束。第三，传统的分类目标可能为混淆的故障类别产生较弱的决策边界，从而降低了在未见运行条件下的鲁棒性。
为了解决这些局限，本文开发了一种面向一维旋转机械故障诊断的统一域泛化框架。所提框架由三个紧密耦合的组件组成：用于模拟潜在空间中域偏移的分布感知特征增强模块、用于原始特征和增强特征之间自适应对齐的不确定性引导正则化模块，以及用于在域变化下细化类别边界的自适应角度间隔损失。主要贡献总结如下：
- •
分布感知的源域特征增强：通过扰动深度特征的通道均值和方差引入了一种基于特征统计的增强策略。它生成语义一致但分布多样的样本，从而在潜在空间中提供更真实的未见域变化模拟。
- •
不确定性引导的特征对齐正则化：通过综合考虑预测不确定性和原始与增强预测之间的差异，设计了一种动态加权正则化机制。该策略促进了扰动一致性学习，并提高了域偏移下的特征鲁棒性。
- •
用于边界感知的自适应角度间隔损失：开发了一种自适应间隔损失，根据角度空间中的类内紧凑性和类间分离度来细化决策边界。该设计增强了对混淆故障类别的判别学习，并提高了对未见运行条件的泛化能力。
章节摘要
DGFD 的数据增强方法
数据增强是提高智能故障诊断泛化能力的重要策略，因为丰富的训练分布可以帮助神经网络学习更鲁棒的特征表示。近年来，针对旋转机械开发了许多基于增强的 DGFD 方法。Huang 等人 [16] 提出了一种双视角联合域泛化网络（DPJDG），通过语义一致的多源增强构建统一域来
问题定义
在实际工业应用中，基于一维振动信号的旋转机械故障诊断常常面临域偏移的挑战。这种情况发生在由于运行条件、设备类型或环境因素的变化导致训练（源）域和测试（目标）域之间的数据分布不同之时。域泛化旨在从多个源域中学习一个模型，该模型能在没有任何目标数据的情况下在未见过的目标域上表现良好，在
案例 1：齿轮箱故障诊断的多源域泛化研究
数据集来源于 2009 年 PHM 数据挑战赛（PHM2009），这是预测与健康管理领域广泛认可的基准。具体而言，使用了直齿轮故障数据集。振动信号由安装在输出轴止动板上的加速度计采集，采样频率为 66.67 kHz。如图 5 所示的直齿轮测试台包括 (a) 整个实验平台的概览，(b) 齿轮箱的内部结构，以及 (c)
结论
本文解决了旋转机械故障诊断中域泛化的关键挑战。提出了一种统一框架，协同整合三个关键组件以学习域不变且具有判别性的特征表示。TriD 策略有效地模拟了特征空间中的潜在域偏移，丰富了训练数据的多样性。UR 在不同的训练阶段动态强调不确定和扰动敏感的样本
CRediT 作者贡献声明
肖宏鹏：撰写 – 原稿，方法论，概念化。程哲：调查研究，资金获取。胡鸟清：调查研究，资金获取。杨毅：软件，资源。邓子豪：软件，资源。罗浩宇：形式分析。行智韬：可视化，验证。
利益冲突声明
作者声明他们没有任何已知的相互竞争的经济利益或个人关系，这些可能影响本论文中报告的工作。
致谢
本研究由国家自然科学基金委员会（批准号 52275140, 52575159 和 52575160）；中国科协青年拔尖人才培育工程（编号 YESS20240414）；湖南省自然科学基金（批准号 2024JJ5408）资助。
肖宏鹏|程哲|胡鸟清|杨毅|邓子豪|罗浩宇|行智韬
