MILT：面向轴承故障诊断领域泛化的潜在时序框架

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：MILT: A latent temporal framework for domain generalization in bearing fault diagnosis

　　

•MILT学习潜在时间过渡以实现领域泛化故障诊断。
•互补的波形和频谱视图构成有序潜在序列。
•描述符引导的潜在过渡保留故障相关的时间组织。
•跨领域对比学习对齐跨域同类表示。

引言
旋转机械在现代工业系统中被广泛应用。其运行状态直接影响生产安全、设备可靠性和维护成本[1]，[2]。作为旋转机械中最广泛使用的组件之一，滚动轴承在长期循环载荷、恶劣环境和可变工况下容易发生退化。因此，准确的轴承故障诊断对于智能维护和可靠的工业运行至关重要。

不同的传感信号已被用于轴承状态监测，包括振动、声发射、电机电流和温度。其中，振动信号对局部缺陷高度敏感。这是因为轴承故障通常在旋转过程中引起冲击响应、共振分量和调制特性。因此，基于振动的诊断已成为轴承故障识别中最广泛使用的方法之一[3]，[4]。随着深度学习的发展，数据驱动模型取得了令人满意的性能。它们可以从振动信号中自动提取判别性特征。

然而，深度诊断模型的实际部署仍然具有挑战性。在真实工业场景中，轴承通常在变化的速度、载荷和噪声条件下运行。这些变化会显著改变振动信号的振幅分布、相位位置、频谱结构和局部波形形态[5]。因此，在观测工况下训练的模型在未见工况下可能表现不佳。这种领域偏移问题限制了智能故障诊断系统在现实应用中的可靠性。

基于领域泛化的故障诊断（DGFD）为此问题提供了解决方案[6]，[7]。与通常需要目标域数据的领域自适应不同，领域泛化（DG）从多个源域中学习可迁移的诊断知识。所学模型随后被期望泛化到未见目标域。这种设置对故障诊断更为实用，因为目标工况数据通常在部署前不可用。

现有DGFD方法探索了特征对齐、对抗学习、对比学习、特征解耦和因果表示学习[8]。对于特征对齐和领域共享表示学习，Huang等人[9]联合学习类别不变和跨域不变表示，而Xu等人[10]采用互信息指导将健康相关知识与工况信息分离。Gao等人[11]结合多分类器不一致性与对抗优化，在源域间抑制特定工况信息。从判别学习角度来看，Qian等人[12]引入自适应类别级决策边距以提高未见工况下的特征可分性。对比学习也得到进一步发展。Shu等人[13]通过图对比学习对多域间结构关系建模，而Wei等人[14]结合离散小波卷积与跨对比扰动实现单域泛化。

另一个重要方向结合了物理知识、特征解耦和因果表示学习。Kim等人[15]将物理特性纳入单域泛化诊断框架，而Peng等人[16]采用先验知识指导鲁棒故障特征提取。Cheng等人[17]从混合工况数据中学习故障相关因果特征，Jia等人[18]将因果与非因果因子分离用于领域泛化诊断。Gao等人[19]提出DFDN解耦故障相关与领域相关特征并自适应融合为泛化表示。Zhang等人[20]采用双重解耦从领域相关变化中隔离不变故障信息。Huang等人[21]将物理知识纳入因果表示学习，而Chen等人[22]从耦合的故障和领域信息中学习类别不变属性。Huang等人[23]进一步引入小波域因果滤波和解耦以改善未见条件下的泛化能力。最近，Yang等人[24]集成异质因果解耦与元学习。该方法将稳定的故障相关因果信息与领域特定的虚假因子分离，从而增强未见工况下的泛化能力。

其他近期研究调查了源域扩展和更实用的学习范式。Guo等人[25]结合领域混合增强与分布对齐用于不平衡机械故障诊断。Liu等人[26]在潜在扩散模型中采用频域指导以生成多样且可迁移的源域样本。Jiang等人[27]开发了半监督动态泛化网络，具有双重特征增强和输入自适应特征提取。Ye等人[28]通过域内和域间梯度对齐将DG扩展到隐私保护联邦场景。对于更具挑战性的不平衡开放集设置，Wang等人[29]在元学习框架内协调领域和类别级梯度以改善已知和未知故障状态的决策边界。

这些研究推动了DG故障诊断的发展。然而，每个振动段内局部故障响应的有序关系仍相对缺乏探索。大多数现有方法主要优化样本级表示、特征分布或决策边界，而未显式建模故障相关信息如何在相邻局部响应间演变。这种时间组织很重要，因为轴承故障不仅以局部波形模式为特征，还包括冲击排列、共振衰减、调制结构和短程依赖[30]。

这种局限性可从时间组织角度进一步理解，如图1所示。传统特征对齐通过匹配静态特征分布来减少领域差异。然而，它通常将每个振动段视为孤立的样本级表示，未显式保留局部故障响应间的有序关系。内圈、外圈或滚动元件上的局部缺陷通常产生重复瞬态冲击，随后是共振衰减和调制相关响应。虽然工况可能改变波形振幅、相位、频谱能量和噪声水平，但对于相同故障类型，这些局部响应的时间组织可能保持相对稳定。

此外，不应孤立解释局部响应，因为其诊断意义取决于周围的时间上下文。相似的振荡模式可能根据其在振动段中的位置对应于冲击-共振-衰减过程的不同阶段。因此，每个局部状态过渡应使用当前状态和整个序列的序列级上下文进行建模。

基于这一观察，本文提出了一种潜在时间框架，称为MILT，用于DGFD。MILT将每个振动段表示为由互补的时域和频域视图构建的有序局部潜在状态序列。时间编码器首先捕获相邻状态间的依赖关系，随后从精炼的序列中提取序列级描述符以指导单步潜在过渡。所得时间表示进一步通过跨领域监督对比学习优化，以在未见工况下实现鲁棒的故障分类。

本文的主要贡献总结如下：
1. 本文提出了一种用于DGFD的潜在时间框架。它将每个振动段表示为有序潜在轨迹，使模型能够保留段内故障组织，超越传统静态特征对齐。
2. 开发了一个潜在时间机制学习模块，其中序列级描述符指导相邻潜在状态间的单步过渡以保留故障相关的时间组织。
3. 本文在时间聚合后引入跨领域监督对比目标以改善域间类别紧凑性和故障可分性。
4. 在公开基准和实验轴承数据集上进行了大量实验。结果表明MILT比最先进方法实现更高的诊断准确率，并更有效地泛化到未见目标域。

相关章节摘要
相关工作
DGFD旨在从源域学习可迁移的诊断知识并泛化到未见目标域。与领域自适应相比，DG更适合实际工业场景，因为在训练期间目标域数据不可用。最近综述已将DGFD总结为改善未见工况下故障诊断的重要方向[2]，[8]。

现有DGFD方法主要关注改善跨域特征不变性。Li等人[31]

问题定义
考虑从多个运行环境收集的振动信号。每个样本由输入空间??????中的向量表示，其中??表示信号长度。其故障标签属于公共标签空间??={1,2,…,??}，其中??是健康状态数量。

假设训练数据从??个观测环境收集。这些环境被视为源域，表示为??={??1,??2,…,????}。每个源域????包含????个标注样本????=

实验研究
所有实验均在配备NVIDIA TITAN V GPU的工作站上完成。所提方法使用PyTorch框架实现。模型采用Adam优化器进行优化，初始学习率??为0.0003，并在训练过程中采用余弦衰减策略。所有数据集、迁移任务、消融变体和对比方法均使用相同的优化器和学习率调度。对于每个源域，每个健康状态类别包含400

补丁长度和步幅的影响
补丁长度????和步幅????共同决定局部感受野、重叠率和潜在序列长度。在主实验中，每个输入样本包含??=2048个采样点，????=128，????=64。因此，相邻补丁重叠64个点，对应50%的重叠率，每个样本产生固定长度的??=31个补丁序列而无需填充。

????和????的影响如图13所示。较短的补丁保留细粒度的瞬态信息

结论
本文提出了一种用于可变工况下领域泛化故障诊断的潜在时间表示框架。所提框架将每个振动段表示为由互补的局部时域和频域视图构建的有序潜在序列。序列级时间描述符指导相邻潜在状态间的单步过渡，而跨领域监督对比学习改善池化

CRediT作者贡献声明
Sun Xuhui：初稿撰写，可视化，方法论，概念构思。Xing Jinhao：审阅与编辑，软件。Cong Xiao：资源，概念构思。Wang Daichao：审阅与编辑，资金获取。Song Yan：数据整理，资源。Li Yibin：审阅与编辑，资金获取。Zhuang Yinghao：验证，项目管理，形式分析。

资金支持
本工作得到国家自然科学基金（批准号62273202和62303268）、山东省自然科学基金（批准号ZR2023QF087和ZR2026MS1109）以及青岛博士后科学基金（批准号QDBSH20220202007）的支持。

利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文报告的工作。

Sun Xuhui|Xing Jinhao|Cong Xiao|Wang Daichao|Song Yan|Li Yibin|Zhuang Yinghao