面向未见条件下跨域泛化轴承故障诊断的不确定性感知统计正则化方法

《ISA Transactions》：Uncertainty-aware statistical regularization for domain-generalizable bearing fault diagnosis under unseen conditions

　　

• •
  设计了一种新颖的域对齐机制，将跨条件统计向量映射到统一分布中。
• •
  引入类内一致性 (ICC)，在过滤条件特定干扰的同时保留故障判别信息。
• •
  开发了一种不确定性感知动态域扰动 (UADDP) 机制，将特征统计量视为可学习的随机变量。
• •
  通过动态域扰动生成多样化的故障特征，以全面捕获跨条件变化。

引言

在现代智能制造中，滚动轴承作为旋转机械的机械基础，其健康状况是设备运行安全、测量精度和连续生产可靠性的决定性因素 [1], [2], [3]。当代工业监测系统中部署了高灵敏度加速度计来采集传感器信号，通过与深度学习 (DL) 技术的集成，实现了基于数据的智能故障诊断 [4], [5]。然而，实际工业监测场景面临严峻的域偏移挑战。训练阶段（源域）收集的传感器数据和测试阶段（目标域）获得的测量样本表现出显著的统计特征差异 [6]。这些差异源于转速和负载等运行参数的持续变化以及测量环境的不确定性 [7]。这种运行条件变化导致信号幅度和频率分布发生域偏移，严重影响诊断模型的泛化能力 [3]。为了解决域偏移引起的性能下降，针对域适应 (DA) 进行了广泛研究，其假设可以访问目标条件样本，但限制访问这些样本的标签 [8]。基于 DA 的故障诊断方法在解决训练和测试数据分布不一致的问题上取得了巨大成功。不幸的是，DA 需要访问目标条件数据这一要求在实践中并不总能满足 [9]。

鉴于 DA 技术在处理未见条件下故障诊断方面的局限性，学术界对域泛化 (DG) 技术进行了积极探索 [10]。与 DA 不同，DG 不需要访问目标条件 [11]。通过使用有限的源条件数据训练诊断模型，所学到的故障知识可以泛化到任何目标条件。在未见条件下的故障诊断领域，基于多源域对抗学习 (MSDAL) 的 DG 方法是最常见的技术手段。在 [12], [13], [14] 中，对齐了不同源条件的数据分布，以实现故障知识向目标条件的泛化。在 [15] 中，后来开发了反向熵损失函数，以帮助模型在 MSDAL 中实现更一般的域混淆能力。在 MSDAL 框架内，集成数据增强和 MSDAL 的故障诊断方法已被广泛应用于未见条件下的故障诊断。在 [16], [17] 中，通过对源域数据进行适当的信号处理（即时域伸缩、噪声添加和幅度移位）生成了新的故障样本。另一条研究路线在 [18], [19] 中采用了 Mixup 方法，通过首先采样混合因子，然后使用它们混合多源域数据，生成具有新样式的样本。在不扩大模型训练的源域空间的情况下，基于 MSDAL 的诊断方法开发已达到瓶颈。尽管有一些方法试图通过数据增强挖掘更广泛的故障知识，但在增强域分布与源分布差异不大的情况下，它们很容易失效。

除了占主导地位的 MSDAL 方法外，元学习和因果学习也因其特殊的学习机制而被广泛应用于未见条件下的故障诊断。元学习通常用于将源域随机划分为元训练域和元测试域，以模拟真实场景中从源域到目标域的泛化过程。在 [20] 中，提出了一种基于元学习的故障诊断框架，将元优化引入网络训练，以引导模型学习域不变特征。在 [21] 中，将梯度对齐算法引入元学习，缓解了多源域数据中的域偏移，进一步提高了模型的泛化能力。与元学习不同，因果学习通常用于通过构建结构因果模型，从输入数据中分离特定域特征和域不变特征。由于特征中的因果关系难以学习，一些研究采用了特征解耦方法来引入因果性，并将输入数据解耦为与故障相关的和与域相关的表示 [22], [23], [24], [25]。在 [26] 中，因果学习不仅用于表示输入信号的频谱区域与诊断结果之间的因果强度，还用于解释模型的诊断过程。

在对未见条件下故障诊断的现有研究进行深入分析后，我们发现当前方法主要通过对齐多源条件的数据分布来实现跨条件不变特征的学习，并结合了因果学习、数据增强和正则化等技术。然而，与运行条件相关的特定域信息的存在可能会干扰特征分布的对齐，从而损害所学域不变特征的稳定性。另一方面，仅依赖特征不变性可能会忽略一些重要的故障信息，使模型难以充分理解不同条件下故障特征的变化模式。为了克服这些局限性，本文提出了一种新颖的不确定性感知统计正则化 (UASR) 框架，同时增强特征稳定性和多样性，以实现域可泛化的轴承故障诊断。

• 1)
  为了解决运行条件变化引起的振动信号幅度和频率波动问题，设计了一种新颖的域对齐机制，将各种条件的数据统计向量映射到统一分布中。此外，引入了类内一致性 (ICC)，在过滤条件特定干扰的同时保留故障判别信息，为模型提供更稳定和鲁棒的故障诊断基础。
• 2)
  考虑到条件变化具有固有的不确定性，仅依赖域对齐不足以捕获故障轴承的多样化特征。为了克服这一局限性，开发了一种不确定性感知动态域扰动 (UADDP) 机制，通过将特征统计量视为从可学习分布中抽取的随机变量，来建模跨条件分布变化的不确定性。在该机制中，通过域扰动生成多样化的故障特征，从而全面捕获跨条件的变化模式。

本文的组织结构如下。第 2 节介绍了所提出方法的细节。第 3 节展示了大量的实验验证。第 4 节给出了本文的结论。

章节摘要

问题定义

在未见条件下的故障诊断任务中，考虑两个不同的源条件数据集 ${\mathcal{D}}_a$ 和 ${\mathcal{D}}_b$ 作为训练集 ${\mathcal{D}}^{tra}$。${\mathcal{D}}^{tra}$ 包含 $N$ 个样本 - 标签对 ${\mathcal{D}}^{tra}={\left\{\left(x_i,y_i\right)\right\}}_{i=1}^N$，并且诊断分类器 $f$ 由神经网络权重 $\theta$ 参数化。故障诊断框架的目标是通过最小化训练数据上的经验风险，选择并调整网络参数，以在未见条件数据上实现良好性能。经验风险

实验

为了评估所提出的方法，我们在自研的和最先进的轴承故障平台上进行了综合实验。在以下子章节中，首先进行对比实验，随后进行一系列消融实验。

结论

在本文中，我们提出了一种新颖的未见条件下故障诊断方法，即 UASR。该方法专门针对训练期间有多个源域（即来自若干不同运行条件的数据）的场景设计。核心思想是在两个层面上优化诊断网络的学习过程，即多样性和不变性，通过最大化训练数据的多样性，同时提高网络对域不变特征的学习

CRediT 作者贡献声明

陈雍义：撰写 – 初稿，软件，方法论，形式分析。张丹：撰写 – 审阅与编辑。颜鲁强：撰写 – 审阅与编辑。

利益冲突声明

作者声明，他们没有已知的竞争性财务利益或个人关系，这些可能会影响本文报告的工作。

致谢

本工作得到了中国国家自然科学基金 (批准号 62322315 和 62603607)、浙江省自然科学基金 (批准号 LMS26F030016) 以及中国博士后科学基金会博士后面上资助计划 (批准号 GZB20260436) 的支持。

陈雍义 | 张丹 | 颜鲁强