多源信息域自适应网络在跨域故障诊断中的应用研究

作者及机构
本研究由Yue Yu（意大利米兰理工大学机械工程系）、Hamid Reza Karimi（同属米兰理工大学）、Peiming Shi（中国燕山大学电气工程学院）、Rongrong Peng（南昌理工学院非线性动力学与应用研究中心）及Shuai Zhao（南昌理工学院信息与人工智能学院）共同完成，发表于2024年2月的期刊《Mechanical Systems and Signal Processing》（卷211，文章编号111194）。

学术背景

研究领域与动机
随着工业4.0时代的到来，机械设备（如航空发动机、轧机等）的智能化与集成化对关键部件（如轴承、齿轮）的故障诊断提出了更高要求。传统深度学习（Deep Learning, DL）方法依赖大量标记数据且假设训练与测试数据分布一致，但实际工业环境中，数据标记成本高、故障样本稀缺，且工况变化导致数据分布差异显著。为此，迁移学习（Transfer Learning, TL）和域自适应（Domain Adaptation, DA）成为解决跨域故障诊断的新思路。然而，现有单源域自适应方法存在数据利用率低、泛化能力不足的问题，而多源域自适应（Multi-Source Domain Adaptation, MSDA）虽能整合多源信息，但强制对齐特征分布可能导致负迁移（Negative Transfer）。此外，多源信息（如振动、电流、声学信号）的融合尚未在MSDA框架下充分探索。

研究目标
本研究提出基于域属性与特征迁移的多源信息域自适应网络（MSIDA-Net），旨在：
1. 通过注意力机制与域属性损失函数提取多源信息的可迁移潜在属性；
2. 利用局部最大均值差异（Local Maximum Mean Discrepancy, LMMD）对齐单源信息与目标域的类别分布；
3. 结合伪标签学习（Pseudo-Labeling Learning, PLL）和类内紧密度学习策略增强特征表示；
4. 设计知识融合模块整合多源分类器结果，提升诊断可靠性。

研究流程与方法

1. 数据采集与预处理
- 研究对象：三个案例数据集——
- 案例1（轴承平台）：德国帕德博恩大学提供的振动与电流信号（8类故障，负载/转速变化）；
- 案例2（圆柱滚子轴承）：印度SLIET的振动与声学信号（3类故障，不同缺陷尺寸）；
- 案例3（轧机平台）：中意合作采集的振动与声学信号（4类故障，不同负载条件）。
- 数据划分：每个案例按70%训练集、30%测试集划分，样本长度固定为1024。

2. 网络架构设计
MSIDA-Net包含三大模块：
- 可迁移属性学习：
- 注意力机制：通过通道注意力模块（含平均池化、最大池化及共享MLP）提取多源信息的域属性，生成权重向量。
- 域属性损失：采用曼哈顿距离（Manhattan Distance）计算源域与目标域注意力权重的差异，抑制无关背景信息。
- 可迁移特征学习：
- LMMD度量：对齐单源信息与目标域的局部类别分布，避免全局分布对齐导致的负迁移。
- 伪标签学习：利用初始模型预测目标域伪标签，通过交叉熵损失微调模型。
- 类内紧密度学习：推动同类样本靠近类别中心（原型向量），提升特征判别性。
- 知识融合模块：加权集成多源分类器的预测结果，权重由域相似性（LMMD值）动态调整。

3. 实验设置
- 对比方法：包括单源DA（如DAN、JAN）与多源DA（如AdaCLS、MSSA）。
- 参数配置：学习率0.001，训练轮次300，权衡参数α=0.3、β=0.1、γ=0.8。

主要结果

诊断性能
- 平均准确率：MSIDA-Net在16个跨域任务中达96.94%，优于最佳对比方法MSSA（95.98%）和传统CNN（82.08%）。
- 案例表现：
- 案例1（任务A1）：振动信号诊断准确率99.75%（±0.58%），电流信号（任务A2）因故障敏感性低，准确率降至93.83%。
- 案例2（任务B1-B4）：因域差异小，多数任务达100%准确率。
- 案例3（任务C2）：现场数据质量较低，但MSIDA-Net仍保持91.16%准确率。

特征可视化
- t-SNE分析：目标域与源域同类特征高度聚集，验证LMMD的有效性（图18-20）。
- 混淆矩阵：故障O4与O6因特征相似性存在少量误分类（任务A6，92.4%），但多数类别区分明确（如案例2中100%准确率）。

结论与价值

科学价值
1. 理论创新：首次将多源信息融合与MSDA结合，提出域属性与特征协同迁移框架，解决了负迁移问题。
2. 方法优势：注意力机制与LMMD的联合使用显著提升了跨域诊断的鲁棒性。

应用价值
- 工业场景：适用于数据稀缺、工况多变的复杂设备（如风力发电机、航空发动机）故障监测。
- 成本效益：减少对标记数据的依赖，降低维护成本。

研究亮点

1. 多源信息融合：首次系统整合振动、电流、声学信号的跨域诊断。
   
2. 抗负迁移设计：通过属性学习与局部分布对齐，避免特征强制匹配导致的性能退化。
   
3. 可扩展性：框架可适配其他多模态工业数据（如温度、压力）。
   

局限与展望
- 电流信号的诊断性能仍需优化；
- 未来可探索开放集故障诊断（未知故障类别识别）。

（注：全文约2000字，涵盖研究全貌及技术细节。）