自适应泛化：动态环境下鲁棒智能故障诊断的主动感知框架

《Engineering Applications of Artificial Intelligence》：Adaptive generalization: An active perception framework for robust intelligent fault diagnosis under dynamic environments

　　

**摘要**
动态环境引起的分布偏移问题会显著降低数据驱动故障诊断系统在实际应用中的性能。尽管领域泛化技术已被引入以应对分布差异，但静态泛化模型被动地处理所有未见域，忽视了测试数据的价值。为弥合这一差距，本研究探讨了一种称为自适应泛化故障诊断的新型学习范式，并开发了一个主动感知框架，旨在提高动态工况下的鲁棒性。所开发的框架首先在离线训练阶段促进通用泛化，然后在部署阶段主动感知传入推理数据中的环境信息，从而实现针对性适配。对可用的多源域数据施加扰动效应最小化，以获得平坦极小值，为后续在线适配提供可靠的初始化。随后，根据从未见目标域数据流中提取的知识可迁移性和结构信息调整模型参数，使模型能够有效地适应推理环境。通过三个故障数据集的大量实验验证了所提出框架的有效性和优越性。我们的代码已公开可用，地址为：https://github.com/CHAOZHAO-1/SGTA

**引言**
随着人工智能技术的快速发展和机械设备的日益复杂，数据驱动的设备预测与健康管理已成为研究热点。基于深度学习的诊断方法能够自动处理机械时间序列信号并高效提取故障特征。这种端到端范式将原始监测数据与故障诊断结果联系起来，在实现高诊断准确率的同时大大降低了对于专家知识的依赖。

这些方法的高性能是在训练数据和推理数据来自相同分布的强假设下实现的。在现实中，由于普遍的领域偏移问题，这一假设很难满足。机械设备通常运行在高度动态的环境中，其中工作条件、设备磨损等因素持续变化，导致数据分布不可避免的改变。在这些因素中，工作条件的变化起着特别重要的作用，因此是本研究的主要关注点。

为解决这一问题，已开发了基于领域自适应的故障诊断方法，该方法在离线训练阶段利用未标记的目标域数据对齐源域和目标域之间的分布差异，如图1(a)所示。领域自适应范式受到限制，因为在实际场景中，目标域通常需要实时诊断以实现故障的即时检测和预警。

为满足实时性要求，基于领域泛化的故障诊断方法引起了越来越多的关注。在领域泛化中，首先从多个源域中提取泛化诊断知识。然后利用这些知识构建领域无关的模型，使其能够在推理阶段未见过的目标任务上有效运行，如图1(b)所示。领域泛化构建的静态模型被动地处理所有未见域。然而，工业环境本质上动态且高度不确定，这类静态模型的泛化能力从根本上受到训练期间所遇领域多样性的限制。当领域差异变得显著时，模型性能会大幅下降。这自然引发了一个问题：是否有可能使领域无关模型在推理阶段对新领域具有自适应能力，利用测试数据作为宝贵资源来增强对该新领域的泛化能力，从而在各种领域中始终保持高性能。

为解决这一问题，本研究提出了一种新的学习范式，称为自适应泛化故障诊断，如图1(c)所示。自适应泛化故障诊断旨在通过在训练阶段促进特征不变性来增强模型泛化能力，同时在推理阶段利用未标记目标域数据中的知识进一步优化模型。离线训练和在线适配阶段在同一理论风险上界下联合优化，确保优化目标一致。据我们所知，自适应泛化故障诊断在现有文献中尚未被明确研究。一项密切相关的工作是 Zhang 等人提出的，该研究提出了一种方法，利用测试时自适应技术来最小化剩余使用寿命预测的泛化风险。

为弥合这一差距，本研究设计了一种结合以源为中心的离线泛化和以目标为中心的在线适配的主动感知框架。该框架的核心原则是首先实现通用泛化，然后主动感知环境变化，最后进行个性化适配。重要的是，SGTA 不会被动地处理所有环境，而是通过从传入批次数据中推断当前环境条件并相应地更新自身来调整模型参数。具体而言，利用可用的多源域数据进行扰动效应最小化，以获得平坦极小值，并为后续在线适配提供可靠的初始化。随后，使用从未见目标域数据流中获取的知识可迁移性和结构信息更新模型参数，使模型能够适应推理环境。

本研究的主要洞察和贡献总结如下：
(1) 提出了一种名为 AGFD 的新学习范式，以应对实际工业场景中的领域偏移问题，其设计受理论分析启发。
(2) 精心设计了名为 SGTA 的新泛化方法，以实现动态环境下的鲁棒诊断，并在来自三个机械数据集的30个任务上证明了其优越性。

在本研究中，AGFD 表示一种区别于 DGFD 的新学习范式，包含两个紧密耦合的阶段：以源为中心的离线泛化和以目标为中心的在线适配。SGTA 是所提出的具体方法，它在推理阶段主动感知环境信息。

本文其余部分结构如下。第2节提供相关文献回顾。第3节阐述问题定义和理论分析。第4节描述所提出的方法。第5节呈现并分析实验结果。最后，第6节总结主要发现并提出未来研究方向。

**章节片段**

**相关工作**
本节简要概述了相关故障诊断研究。表1比较了所提出的范式与相关故障诊断范式。

**AGFD 的问题定义**
与先前的研究一致，在训练阶段，给定从 M 个独立源域收集的有标记数据，其中表示第 m 个源域的样本数。每个样本表示监测信号，对应的故障标签为。不同源域之间的边缘分布不相同，但它们在下层故障机制上保持相关。

**所提出的方法**
图3展示了所提出的 SGTA 概览，包括以源为中心的离线泛化和以目标为中心的在线适配。离线训练阶段构建领域不变的基础，而在线推理阶段利用传入的目标域批次细化该基础。所提出的 SGTA 的网络架构见表2。

**案例研究**
本节使用两个关键旋转部件（轴承和齿轮箱）的数据集以及机械传动系统来评估所提出的 SGTA 的有效性。

**结论**
本研究提出了一种新型学习范式，称为自适应泛化故障诊断，旨在增强模型在训练和推理两个阶段的性能。该学习范式得到理论分析的支持。设计了一个针对动态环境的主动感知诊断框架，名为 SGTA。在以源为中心的离线泛化阶段，进行扰动效应最小化以获得平坦极小值并提供可靠的……

**作者贡献声明**
赵超：审阅与编辑、撰写初稿、可视化、验证、软件、方法论、调查、数据整理、概念构思。沈为明：监督。Enrico Zio：监督。马辉：监督。

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

**致谢**
本研究部分由国家自然科学基金（项目编号52605127）资助，部分由辽宁省科学技术厅博士科研启动基金（项目编号2026-BS-0094）资助。

赵超 | 沈为明 | Enrico Zio | 马辉