学术研究报告：基于矩匹配的类内多源域自适应网络在轴承故障诊断中的应用
第一作者及机构
本研究的通讯作者为Changqing Shen（苏州大学轨道交通学院），合作作者包括Yu Xia（苏州大学）、Dong Wang（上海交通大学机械系统与振动国家重点实验室）、Yongjun Shen（石家庄铁道大学交通工程结构力学行为与系统安全国家重点实验室）、Weiguo Huang（苏州大学）及Zhongkui Zhu（苏州大学）。研究成果发表于期刊*Mechanical Systems and Signal Processing*（2022年，卷168，文章编号108697），并于2021年12月9日在线发布。
研究领域与动机
该研究属于机械故障诊断与深度学习交叉领域，聚焦旋转机械（如轴承）在变工况下的故障诊断问题。传统深度学习方法假设训练与测试数据分布一致，但实际工况变化（如负载、转速波动）导致振动数据分布差异，使模型泛化能力受限。迁移学习（Transfer Learning, TL）通过利用源域知识辅助目标域任务，但现有研究多局限于单源域迁移，而多源域（Multisource Domain Adaptation, MSDA）能整合更多有用信息，但面临分布差异对齐的挑战。
科学问题与目标
研究提出矩匹配类内多源域自适应网络（Intraclass Multisource Domain Adaptation Network, IMSDAN），旨在解决以下问题：
1. 多源域与目标域的边际分布（marginal distribution）和条件分布（conditional distribution）对齐；
2. 设计新型距离度量（矩距离，Moment Distance）以量化多源域差异；
3. 开发类内对齐训练策略（Intraclass Alignment Strategy）同步优化分布对齐。
1. 数据预处理
- 研究对象：轴承振动信号，包含7种健康状态（正常、内圈/滚珠/外圈故障，故障直径0.2mm/0.3mm），每种状态100个训练样本和100个测试样本，信号长度1024点。
- 预处理步骤：
- 单通道信号复制为三通道；
- 快速傅里叶变换（FFT）将时域信号转为频域；
- 数据重塑为3×32×32格式以适应CNN输入。
2. 特征提取网络
- 结构：3层卷积层（每层含ReLU激活和批归一化）+ 2层全连接层，输出2048维特征向量。
- 创新点：通过共享权重的CNN将多源域和目标域映射至同一特征空间。
3. 矩距离度量（Moment Distance）
- 定义：计算多源域与目标域的p阶原点矩差异，公式为：
[ \text{MD}(D_s, Dt) = \sum{p=1}^P \left( \frac{1}{K}\sum{i=1}^K |E(x{s_i}^p) - E(x_t^p)|^2 + \frac{1}{CK^2}\sum{i}^K |E(x_{si}^p) - E(x{s_j}^p)|^2 \right) ]
- 作用：联合优化源域间及源域-目标域的距离，替代传统MMD（最大均值差异）。
4. 类内对齐训练策略
- 三步迭代：
1. 训练特征提取器与分类器，最小化交叉熵损失和矩距离；
2. 固定特征提取器，训练辅助分类器以最大化目标域预测差异（L1距离）；
3. 固定辅助分类器，调整特征提取器以最小化差异，实现条件分布对齐。
5. 联合加权分类器
- 权重计算：根据各源域分类器在自身域上的准确率分配权重，加权输出最终预测。
1. 性能对比
- 数据集：苏州大学轴承数据集（4种负载条件）和山东科技大学数据集（4种负载，10类故障）。
- 对比方法：SVM、CNN、单源域迁移（如CNN+MMD）等。
- 结果：
- 多源域任务平均准确率达99.96%，较单源域方法（77.87%）提升22%；
- 在山东科技大学数据集（更复杂故障类型）中仍保持99.63%准确率。
2. 可视化分析
- t-SNE特征分布：IMSDAN显著改善多源域与目标域特征的类内聚集性和域间对齐性（图7）。
3. 核心贡献
- 理论价值：
- 提出首个结合矩匹配和类内对齐的多源域故障诊断框架；
- 证明条件分布对齐对复杂工况诊断的必要性。
- 应用价值：为工业设备变工况故障诊断提供高鲁棒性解决方案。
该研究通过IMSDAN模型实现了轴承故障在变工况下的高精度诊断，其方法可扩展至其他机械故障场景。未来方向包括：动态权重调整、更复杂的多源域选择策略等。研究获国家自然科学基金（51875375, 51975355）和石家庄铁道大学重点实验室开放基金（KF2021-12）支持。