一种用于轴承故障诊断域泛化的故障形态保持与跨源一致性学习方法

《ADVANCED ENGINEERING INFORMATICS》：A fault morphology-preserving and cross-source consistency learning method for domain generalization in bearing fault diagnosis

　　

## 摘要

针对滚动轴承跨工况故障诊断面临的挑战，包括故障形态对工况干扰的敏感性、单视图表示的稳定性有限以及实际应用中目标工况样本稀缺等问题，本文提出了一种故障形态保持与跨源一致性学习网络。所提方法从故障形态保持与工况干扰抑制的联合视角出发，构建了一个统一框架。具体而言，构建了多个互补的时频结构表示，并以多尺度协同方式融合，以更好地保持固有故障形态。随后引入跨源一致性学习机制，在抑制特定工况干扰的同时强化不同工况间共享的故障结构。此外，设计了一种工况自适应感受野建模机制，以提升对故障纹理各向异性、尺度漂移及局部结构变化的表征能力。在两个广泛使用的轴承数据集上的大量实验表明，所提方法始终优于现有方法，平均诊断准确率超过99%。在高斯噪声信噪比为?5 dB的条件下，FMCSL-Net在Ottawa和HUST数据集上的平均准确率仍分别达到90.15%和90.14%，展现出强大的鲁棒性和跨工况泛化能力。

## 引言

在现代工业系统中，旋转机械的故障诊断（FD）对于确保生产系统的安全稳定运行至关重要。随着工业4.0的到来，机械系统的复杂性和规模不断增大，导致工况更加多样且不可预测[1]、[2]，这给故障诊断带来了巨大挑战。如果机械故障不能得到及时准确的诊断，可能导致生产中断、设备停机，甚至严重的安全事故，造成巨大的经济损失和不可逆的损害。因此，提高机械设备的可靠性和安全性至关重要，特别是在复杂工况下进行准确的故障诊断。

近年来，深度学习（DL）在故障诊断领域取得了显著进展，利用高质量的传感器数据和先进的模型架构实现了智能、高精度的故障检测[3]、[4]。然而，大多数深度学习方法假设训练集和测试集服从相同分布，这与实际场景不符。在实际应用中，工况变化会导致数据分布出现显著差异，即域偏移，这严重削弱了模型的适应性和诊断能力。为应对这一挑战，域适应（DA）被广泛应用于故障诊断[5]、[6]。其核心思想是通过分布对齐、特征变换或对抗学习来最小化源域（SD）与目标域（TD）之间的特征分布差异，从而提升模型性能。标准方法包括最大均值差异（MMD）[7]、相关性对齐（CORAL）[8]、生成对抗网络、域对抗神经网络（DANN）[9]和深度子域对抗网络（DSAN）[10]。这些方法在一定程度上缓解了因工况变化导致的数据分布差异问题，从而提高了模型在不同工况下的适应性。

然而，域适应方法在实际应用中仍存在一定局限性。首先，它们通常依赖目标域中的数据，而在某些工业场景中，这些数据可能难以获取，或受数据隐私和安全要求的限制。其次，域适应方法的有效性取决于源域与目标域之间的相似程度。当两者分布差异过大时，适应效果可能不理想。此外，大多数域适应方法针对特定目标域进行优化，导致模型在复杂工况下不够稳定，泛化能力受限。为解决这些局限，域泛化（DG）技术应运而生。与域适应不同，域泛化旨在仅使用多个源域数据进行训练，使模型在无需访问目标域数据的情况下，仍能对未见目标域保持有效性能，这更符合工业应用场景的实际需求。近年来，域泛化在变工况下的鲁棒性和适应性方面取得了显著进展，从而实现了更加通用和可靠的故障诊断。

Gao等人[11]提出了一种基于多分类器不一致性的深度对抗域泛化框架，该方法通过多个分类器概率输出的不一致性来捕获源域特征，并利用对抗训练实现跨工况特征对齐。该方法使用Wasserstein距离衡量多域分布差异，在旋转机械故障数据集上取得了优异的诊断性能。Li等人[12]提出了一种用于单源域泛化的双对抗与对比网络，通过对抗伪样本生成和对比学习提取域不变特征，提升模型对未见模式的故障诊断能力。实验结果表明，该模型取得了很高的分类准确率。Guo等人[13]提出了一种基于循环生成对抗网络的单源域泛化方法，该方法生成扩展域数据并结合对抗对比训练来提高模型鲁棒性。实验结果表明，该方法在多个机械数据集上均表现出优秀的故障诊断性能。Xu等人[14]提出了一种基于域私有抑制的元识别网络，量化了通道级可迁移性并引入双重一致性损失，以提升模型对未知目标域的泛化能力。实验结果表明，所提方法在多个域上均优于领先方法。近年来，Gao等人[15]进一步提出了一种用于未见工况下旋转机械故障诊断的域特征解耦网络。通过将域相关信息与故障相关信息分离，该方法促进了域不变故障表示的学习，从而提高了模型在不同工况下的泛化能力。Wang等人[16]进一步研究了更具挑战性的类别不平衡开放集域泛化问题，提出了一种基于元学习的框架，同时解决未见域中的域偏移、类别偏移和类别不平衡问题。上述研究进一步证明，特征解耦和元学习策略在提高机械故障诊断模型的域泛化能力方面发挥着重要作用。

尽管现有域泛化方法在跨工况故障诊断方面取得了显著进展，但大多数研究仍将此问题主要视为缓解域间分布差异或学习域不变特征的问题，而对输入表示本身是否能在不同工况下稳定保持故障固有形态特征的关注相对有限。对于滚动轴承振动信号，工况变化不仅导致全局分布偏移，还会改变局部冲击响应、时频纹理尺度和能量分布模式，从而使同一故障在不同域中呈现出不同的表示形式[17]。在这种情况下，如果输入表示本身无法稳定保持固有故障形态，模型将难以学习到真正跨工况稳定的故障特征，从而削弱后续域泛化的效果。事实上，在实际工业应用中，振动信号的初始表示直接影响故障特征的可分性和稳定性，并进一步决定了模型在未见工况下的泛化能力。因此，除构建有效的域泛化学习机制外，提高故障表示的质量、稳定性和表征能力也是增强域泛化性能的重要途径[18]、[19]。

为克服上述挑战，本文提出了一种用于轴承域泛化的故障形态保持与跨源一致性学习网络（FMCSL-Net），该网络从输入表示、跨源泛化学习和结构建模三个方面协同增强模型对未见工况的泛化能力。具体而言，所提方法首先构建多视图时频结构表示，形成具有互补敏感性的输入表示，从而增强固有故障模式的保持能力。随后从跨源一致性学习角度出发，建模不同工况下故障形态的稳定共享结构，同时抑制与特定工况耦合的干扰分量。此外，引入工况自适应感受野建模机制，提升模型在不同工况下对故障纹理各向异性和尺度漂移的表征能力。得益于这些设计，所提方法能够在复杂工况和噪声干扰下学习更稳定、更具判别力的故障表示，从而提高对未见工况的泛化能力。本研究的主要贡献总结如下：

（1）提出了用于轴承域泛化的多视图故障形态编码方法。为解决单一时频表示在复杂工况下无法稳定表征固有故障模式的局限性，构建了多个具有互补敏感性的时频结构表示，并引入多尺度协同组织策略，以增强输入表示保持故障形态的同时抑制工况干扰的能力。

（2）构建了具有故障形态-工况解耦的跨源一致性学习机制。与主要依赖整体分布对齐的传统方法不同，所提方法强调共享故障形态的稳定性，利用跨源一致性约束来识别在多个源域中保持稳定的故障模式，同时抑制与特定工况相关的风格分量，从而提高对未见工况的泛化能力。

（3）设计了工况自适应感受野建模机制。针对变化工况下故障图像纹理的各向异性和尺度漂移问题，动态调整局部感受野形状和采样分布，使模型能够更准确地感知复杂故障纹理结构，更好地表征故障形态的多样变化。

（4）在两个公开轴承数据集的变工况条件下验证了所提方法的泛化性和鲁棒性。实验结果表明，所提方法在跨工况诊断和噪声干扰场景下均取得了优异性能，从而验证了故障形态保持和工况干扰抑制策略对于域泛化任务的有效性。

后续章节的组织如下。第2节回顾相关理论背景和相关文献。第3节介绍所提方法的框架，包括其核心组件。第4节详细说明实验配置并对结果进行深入分析。最后，第5节总结全文并展望未来研究方向。

## 章节摘要

### 域泛化问题建模

变工况下的滚动轴承故障诊断可建模为域泛化问题。不同的工作条件，如转速和负载的变化，往往导致信号分布的明显偏移[20]、[21]。因此，在一种或几种源工况下训练的诊断模型，当直接部署到未见目标工况时，通常会出现严重的性能退化。然而，在实际工业场景中，来自未来目标域的数据往往无法获取。

### 所提FMCSL-Net框架

为缓解现有域泛化方法在滚动轴承跨工况故障诊断中的局限性，包括对输入表示稳定性关注不足、故障形态信息易受工况干扰以及未见工况下泛化能力有限等问题，本文提出了一种用于轴承域泛化的FMCSL-Net。整体架构如图1所示，所提框架由两个相互互补的分支组成。

### 数据集描述

为验证所提方法在各种工况下的有效性，本研究采用了两个公开的轴承故障数据集。（1）Ottawa轴承数据集——由加拿大渥太华大学提供，包含在不同转速条件下采集的振动信号[36]。如图3所示，试验台包括交流电机、编码器、加速度计及相关仪器。该数据集涵盖了多种轴承状态，从正常运行到各种故障类型。

### 结论

本文从域泛化角度出发，针对跨工况滚动轴承故障诊断问题，提出了一种在保持故障形态的同时抑制工况诱导干扰的模型。与主要依赖特征对齐或全局域不变学习的传统方法不同，所提方法综合考虑了输入表示质量和泛化学习，将跨工况诊断建模为多视图故障形态编码与跨源一致性学习的协同过程。

## CRediT作者贡献声明

Bin Wang：撰写——初稿、验证、软件、方法论。Pengfei Liang：指导、基金获取。Haonan Yang：数据管理。Lijie Zhang：指导、资源。

## 利益冲突声明

作者声明不存在任何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

本研究得到国家自然科学基金（编号52405076）和河北省高等学校科研计划项目（编号QN2025090）的资助。

Bin Wang | Pengfei Liang | Haonan Yang | Lijie Zhang