基于时频对比的多源领域故障诊断方法

雷斌; 刘志伟; 李德仓; 及文磊

doi:10.12404/j.issn.1671-1815.2503584

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (17) :7256-7263 DOI: 10.12404/j.issn.1671-1815.2503584

机械、仪表工业

基于时频对比的多源领域故障诊断方法

雷斌 ¹^,²^,³ ,
刘志伟 ¹ ,
李德仓 ¹^,²^,³ ,
及文磊 ¹

作者信息 +

Multi-source Domain Fault Diagnosis Method Based on Time-frequency Comparison

LEI Bin ¹^,²^,³ ,
LIU Zhi-wei ¹ ,
LI De-cang ¹^,²^,³ ,
JI Wen-lei ¹

Author information +

文章历史 +

摘要

针对同一设备难以获取大量单一工况的有标记故障数据,以及多源域数据存在分布偏移的双重挑战,提出了一种基于时频交互策略并引入时频对比损失的多源领域泛化方法。该方法采用多源领域适配策略,减少所有源域之间的全局分布差异,并结合时频对比损失以保持样本间的类别关系,从而提升模型在未知工况下的泛化能力。为验证该方法的有效性,在可变工况轴承数据集上进行了迁移诊断实验。实验结果表明,与现有典型的多源领域泛化方法相比,该方法在应对未知工况时展现出更强的诊断能力和泛化性能,为工业设备的零样本迁移诊断提供了一种解决方案。

Abstract

To address the dual challenges of obtaining substantial labelled fault data under a single operating condition for the same equipment and distribution shifts across multi-source domains, a multi-source domain generalisation method was proposed based on a time-frequency interaction strategy incorporating a time-frequency contrast loss. A multi-source domain adaptation strategy was employed to reduce global distribution differences across all source domains, combined with a time-frequency contrast loss to preserve categorical relationships between samples, thereby enhancing the model’s generalisation capability under unknown operating conditions. To validate the method’s efficacy, transfer diagnostics experiments were conducted on a variable-condition bearing dataset. Results demonstrate superior diagnostic capability and generalisation performance under unknown conditions compared to existing multi-domain generalisation approaches, providing a solution for zero-shot transfer diagnostics in industrial equipment.

Graphical abstract

关键词

故障诊断 / 时频对比 / 多源领域适应 / 泛化 / 迁移诊断实验

Key words

fault diagnosis / time-frequency comparison / multi-source domain adaptation / generalization / transfer diagnostics experiment

引用本文

引用格式 ▾

雷斌, 刘志伟, 李德仓, 及文磊. 基于时频对比的多源领域故障诊断方法[J]. 科学技术与工程, 2026, 26(17): 7256-7263 DOI:10.12404/j.issn.1671-1815.2503584

LEI Bin, LIU Zhi-wei, LI De-cang, JI Wen-lei. Multi-source Domain Fault Diagnosis Method Based on Time-frequency Comparison[J]. Science Technology and Engineering, 2026, 26(17): 7256-7263 DOI:10.12404/j.issn.1671-1815.2503584

登录浏览全文

4963

注册一个新账户忘记密码

滚动轴承作为旋转机械中的“关节”,广泛应用于风力发电机、高速列车及工业机器人等高端装备中。其健康状态直接关系到整机系统的运行安全与维护成本。随着中国制造业向数字化、智能化转型,基于数据驱动的故障诊断技术已成为保障重大装备可靠运行的核心手段。然而,在实际工业场景中,设备常在变负载、变转速等复杂工况下运行,且伴随强噪声干扰,导致故障特征分布发生剧烈偏移^[1]。传统诊断方法高度依赖大量且分布一致的有标签数据,难以适应这种“非平稳、多工况”的实际环境^[2],导致泛化性能不足,限制了其在工业场景中的应用。

迁移学习(transfer learning, TL)通过挖掘源域(有标签)与目标域(无标签)的共性知识,为解决上述小样本及分布差异问题提供了有效途径^[3]。特别是多源领域自适应(multi-source domain adaptation, MSDA)^[4],因能整合不同工况下的多源互补信息,在复杂环境下表现出优于单源迁移的鲁棒性。中外学者对此进行了深入探索,杨汶金等^[5]通过引入邻域信息优化伪标签策略,结合奇异谱分解方法提升了无监督跨域迁移性能;施杰等^[6]融合变分模态分解(variational mode decomposition,VMD)与深度迁移学习框架,提出基于进化算法优化的VMD参数选取策略,以提取更加稳定的特征;Qian等^[7]则设计了基于加速度信号的联合分布适应模型,缓解了工况变化带来的分布偏移问题。进一步地,为解决多源域间的不一致性,Jia等^[8]结合双原型损失与动态加权机制,有效降低了源域间的差异;Pei等^[9]引入Transformer结构提升跨域建模能力;Jiao等^[10]与Liu等^[11]则分别通过对抗学习机制与多尺度注意力结构,加强了特征提取与分布对齐效果。

尽管现有研究在标准数据集上取得了较好效果,但在面对电动机等强耦合、非线性的复杂机电系统时,仍存在显著局限:一是粗粒度对齐的不足,大多数方法仅关注全局分布对齐,忽略了同一类别在不同域间的条件分布差异(即“亚域”偏移),导致混淆边界附近的分类精度不高;二是物理特征挖掘不充分,纯数据驱动模型往往忽视了振动信号本身的时频物理特性,缺乏在特征层面的精细化约束。

针对上述问题,现提出一种多源-亚源-亚域自适应迁移学习方法,以提升多工况下的故障识别性能。该方法构建多分支结构并行度量各源-目标域的分布差异,结合最大均值差异(maximum mean discrepancy, MMD)实现细粒度对齐,并引入源域特异性加权机制,融合多个源分类器的判别结果以优化目标域诊断。为进一步增强同类别子域之间的分布匹配效果,现构建基于时频域的对比损失函数,在特征层面强化类内聚合与类间分离;结合源域分类器的加权融合策略,实现对目标设备状态的联合识别。最终构建的基于时频对比机制的多源领域自适应网络(time-frequency comparison multi-source domain adaptation network, TFMSAN),在轴承与齿轮箱实验平台上开展多工况迁移实验,验证其在复杂环境下的鲁棒性与泛化能力,以期为工业设备的零样本迁移诊断提供解决方案。

1 理论基础

1.1 多源领域迁移学习

多源领域自适应旨在解决从多个源域到一个目标域的知识迁移问题,如图1所示。在实际应用中,不同源域的数据分布可能各不相同,因此直接将单一源域的自适应方法(如MMD)应用于MSDA问题时,可能无法有效解决源域之间和源域与目标域之间的复杂分布差异,MSDA引入了多个源域的联合适应策略,以更好地捕捉源域和目标域之间的关系。式(1)为多源领域自适应的数学表达式。

(1)d_MSDA=$\sum _{i=1}^{n}$α_iMMD[P_i,Q]

式(1)中:P_i为第i个源域的分布;Q为目标域的分布;α_i为每个源域的权重,反映了源域和目标域的相似性程度。

(2)MMD[P,Q]= $\frac{1}{n}\sum _{i=1}^{n}$ ϕ(x_s)- $\frac{1}{m}\sum _{j=1}^{m}$ ϕ $({x}_{t}{)}_{x}^{2}$

式(2)中:ϕ(x_s)和ϕ(x_t)为源域和目标域样本在再生核希尔伯特空间(RKHS)中的特征映射。MMD根据P、Q样本的测量值选择拒绝或接受假设P=Q,即当生成分布相同时,则所有统计数据都相同。存在当且仅当p=q时,D_{$\mathcal{H}$}(p,q)=0,$\mathcal{H}$为具有特征核k的RKHS,内核k表示为k(x_s,x_t)=<ϕ(x_s),ϕ(x_t)>;MMD的估计将经验核均值嵌入之间的平方距离进行比较,MMD提供了一种有效的方法来度量概率分布之间的差异。

在多源领域迁移学习中,假设有个源领域Δ_S={Δ₁,Δ₂,…,Δ_K}和一个目标领域Δ_T,每个源领域和目标领域都有对应的数据集和标签。目标是通过融合多个源领域的信息来提升目标领域任务的性能。在数学建模上,考虑每个源领域Δ_K都有一个训练集$\left\{\right({x}_{i}^{k},{y}_{i}^{k}{\left)\right\}}_{i=1}^{{n}_{k}}$,其中${x}_{i}^{k}$∈R^d为输入特征,${y}_{i}^{k}$为对应的标签。目标领域Δ_T也有一个训练集$\left\{\right({x}_{i}^{t},{y}_{i}^{t}{\left)\right\}}_{i=1}^{{n}_{t}}$。

多源领域迁移学习的核心目标是构建一个模型来映射输入特征到输出标签,能够最大程度地利用多个源领域的信息,同时减少源领域和目标领域之间的分布差异。该问题可以通过以下模型优化,表达式为

(3)$\underset{f\in \mathrm{F}}{\mathrm{m}\mathrm{i}\mathrm{n}}\left[\sum _{k=1}^{K}{\mathrm{L}}_{k}\left(f\right)+{\mathrm{R}}_{k}\left(f\right)+{\mathrm{D}}_{\mathrm{T}}\left(f\right)\right]$

式(3)中:$\mathcal{L}$_k(f)为源领域Δ_T上的任务损失,采用交叉熵损失函数;R_k(f)为源领域的正则化项,用于限制模型的复杂度,防止过拟合;Δ_T(f)为源领域和目标领域之间的分布差异度量,使用领域对抗损失来衡量,MMD训练损失。

(4)$\mathcal{L}$_k(f)=$\frac{1}{{n}_{k}}\sum _{i=1}^{{n}_{k}}$$\mathcal{L}$[f(${x}_{i}^{k}$),${y}_{i}^{k}$]

(5)Δ_T(f)=$\sum _{k=1}^{K}$Δ_k(f,Δ_t)

式中:Δ_k(f,Δ_t)量化了源领域Δ_k和目标领域Δ_t之间的分布差异。

通过为每个源领域分配一个权重,来衡量其对目标任务的贡献,从而使得目标领域能够更多地借用对目标领域有利的源领域信息。加权策略是通过最小化加权损失函数来实现的,如式(6)所示。

(6)$\mathcal{L}$_w(f)=$\sum _{k=1}^{K}$w_k$\mathcal{L}$_k(f)

式(6)中:w_k为源领域Δ_k的权重。

1.2 时频自对比策略

近年来,对比学习(contrastive learning,CL)作为自监督学习(self-supervised learning, SSL)的一种重要方法,已在多种视觉与信号处理任务中展现出强大的特征表征能力。对比学习的核心思想是通过构造“辅助任务”或“预任务”,引导模型在无标签数据中学习潜在的结构性信息,从而提取对下游任务有用的判别特征。与传统监督学习依赖大量人工标注数据不同,SSL通过数据本身生成监督信号,大大降低了模型在高标注成本领域的应用门槛。

为进一步增强模型对跨域故障特征的鲁棒性,提出了一种新的自我对比学习机制,以引导模型主动学习具有领域不变性和判别性的潜在特征。与传统多源对比学习方法依赖不同源域样本构建正负样本对不同,本文研究设计的自对比策略依赖同一信号的多视角处理结果构造正负对,通过信号的时域与频域变换获得该信号的同质与异质特征表示。时频自对比损失$\mathcal{L}$_c旨在实现上述自我对比学习框架。$\mathcal{L}$_c的自对比对由时域和频域分支的输出特征构建,表示为${x}_{sc}^{(\mathrm{L},\mathrm{S})}$={${x}_{t}^{(\mathrm{L},\mathrm{S})}$,${x}_{f}^{(\mathrm{L},\mathrm{S})}$}。作为一种无监督对比学习方法,自我对比损失不需要任何标签。基于余弦相似度计算特征的相似度S_c表达式为

(7)S_c[${x}_{t}^{(\mathrm{L},\mathrm{S})}$,${x}_{f}^{(\mathrm{L},\mathrm{S})}$]=$\frac{{x}_{t}^{(\mathrm{L},\mathrm{S})}{x}_{f}^{(\mathrm{L},\mathrm{S})}}{\Vert {x}_{t}^{(\mathrm{L},\mathrm{S})}\Vert \Vert {x}_{f}^{(\mathrm{L},\mathrm{S})}\Vert }$=$\sum _{l=1}^{L}\sum _{s=1}^{S}{x}_{t}^{(l,s)}{x}_{f}^{(l,s)}\sqrt{\sum _{l=1}^{L}\sum _{s=1}^{S}[{x}_{t}^{(l,s)}{]}^{2}}$×$\sqrt{\sum _{l=1}^{L}\sum _{s=1}^{S}[{x}_{f}^{(l,s)}{]}^{2}}$

式(7)中:${x}_{t}^{(\mathrm{L},\mathrm{S})}$和${x}_{f}^{(\mathrm{L},\mathrm{S})}$分别为行L和列S的时域和频域分支特征。当${x}_{t}^{(\mathrm{L},\mathrm{S})}$与${x}_{f}^{(\mathrm{L},\mathrm{S})}$越接近时,相似度S_c越接近1。反之,${x}_{t}^{(\mathrm{L},\mathrm{S})}$与${x}_{f}^{(\mathrm{L},\mathrm{S})}$之间的差异越大,相似度S_c越接近0。自对比损失$\mathcal{L}$_c定义为

(8)$\mathcal{L}$_c=1-S_c[${x}_{t}^{(\mathrm{L},\mathrm{S})}$,${x}_{f}^{(\mathrm{L},\mathrm{S})}$]

2 基于时频自对比的多源领域适应故障诊断方法

提出的基于时频对比的多源领域自适应网络(TFMSAN)利用两阶段对齐思想对齐多个源域与目标域之间的数据分布,即在多个源域数据和目标域数据映射到公共子网络中得到其公共特征后将每对源域和目标域数据映射到不同的特征空间,得到不同测点位置下的故障特征表示;然后,构建多个特定域的分类器,使用多个域不变表示来训练多个特定域的分类器以获得每个领域不变表示的识别结果,并利用领域特定的决策边界来对齐分类器的输出。最终有效解决因传感器位置引起数据分布差异的影响。方法流程如图2所示。

基于领域级与时频对齐的多源领域适配策略,构建了端到端深度迁移诊断网络TFMSAN,如图2所示。该网络以N个分布不同的源域作为输入,经过权值共享的多层CNN进行特征提取,并结合时频对比与领域级特征对齐策略,以减少各领域之间的分布差异该机制能够提取稳定的跨域泛化特征,保持对各类故障信息的敏感度,确保模型的决策边界在不同目标域中具备良好的推广性。

为进一步优化TFMSAN,从多个角度对其进行改进。首先,合并所有源域的特征向量,计算多源领域损失,并基于时域频域优化类内与类间距离,同时约束分类差异最大化过程。此外,引入双分类器实现特征分布矩的动态对齐,从而训练更具鲁棒性的决策边界,进一步增强模型的多源领域适配能力,提升其在复杂工况下的泛化性能。

最后,将目标域中未知标签输入TFMSAN模型进行测试,通过最小化式(9)达成领域泛化的目标。

(9)$\underset{f}{\mathrm{m}\mathrm{i}\mathrm{n}}\left[\sum _{i=1}^{k}{\alpha }_{i}{L}_{\mathrm{t}\mathrm{a}\mathrm{s}\mathrm{k}}^{\mathrm{i}}+\underset{\mathrm{模}\mathrm{型}\mathrm{正}\mathrm{则}\mathrm{化}}{\underset{\downarrow }{{\lambda }_{1}\Omega \left(f\right)}}+\underset{\mathrm{分}\mathrm{布}\mathrm{对}\mathrm{齐}\mathrm{项}}{\underset{\downarrow }{{\lambda }_{2}\sum _{i=1}^{k}{\alpha }_{i}\Delta ({D}_{s}^{i},{D}_{t})}}\right]$

式(9)中:α_i∈[0,1]为源域权重;Δ(·)为分布差异度量函数。对于故障诊断任务,采用交叉熵损失,可以表示为

(10)$\mathcal{L}$_k(f)=$\frac{1}{{n}_{k}}\sum _{i=1}^{{n}_{k}}$$\mathcal{L}$[f(${x}_{i}^{k}$),${y}_{i}^{k}$]

式(10)中:${L}_{\mathrm{t}\mathrm{a}\mathrm{s}\mathrm{k}}^{\mathrm{i}}$为分类损失函数,用于衡量模型预测结果与真实标签之间的误差;f(·)为故障诊断模型的分类映射函数; n_k为第k个域中的样本数量;$\mathcal{L}$[f(${x}_{i}^{k}$),${y}_{i}^{k}$]为单个样本的交叉熵损失。

领域的总损失为

(11)$\mathcal{L}$_total=${\mathrm{L}}_{\mathrm{t}\mathrm{a}\mathrm{s}\mathrm{k}}^{i}$+γ($\mathcal{L}$_mmd+$\mathcal{L}$_l₁)+β$\mathcal{L}$_sc

式(11)中:$\mathcal{L}$_mmd为最大平均差异损失,用于对齐源域和目标域的分布是L1正则化损失,提高模型的稀疏性;β为对比损失的权衡参数;γ为动态权重因子,随着训练进行而变化^[12]。

(12)γ=$\frac{2}{1+{\mathrm{e}}^{-10i/T}}$-1

式(12)中:i为当前迭代次数;T为最大迭代次数。

3 实验验证

3.1 实验数据

3.1.1 CWRU轴承实验台

第一个轴承故障数据集轴承数据集,同样采用凯斯西储大学故障诊断数据集。该数据集被广泛应用于轴承故障诊断和振动信号分析的研究中,成为领域内最具代表性的数据集之一。数据包含12 kHz和48 kHz两种采样频率,采用采样频率为12 kHz的驱动端轴承数据,该数据存在4种不同工况(0~3 hp),而每种工况又包括10种故障分类,分别为正常状态和损伤直径分别为0.533 4、0.356 6、0.177 8 mm的轴承滚动体、外圈、内圈的故障。

3.1.2 MFPT轴承实验台

机械故障预防技术协会(Machinery Failure Prevention Technology,MFPT)发布的基准数据集包含正常、外圈故障及内圈故障三类轴承状态数据,为故障诊断研究提供多工况验证基准。正常基线数据通过负载270 lb(1 lb=0.454 kg)、采样率97 656 Hz的6 s连续采集,获得1 757 808个数据点;外圈故障涵盖10种工况,其中3种为270 lb负载(采样率97 656 Hz,6 s),7种为25~300 lb变负载(采样率48 828 Hz,3 s);内圈故障包含0~300 lb的7种负载工况(采样率48 848 Hz,3 s),提取1 025 388个数据点。完整覆盖旋转机械典型故障模式,为算法跨工况泛化能力评估提供标准化数据支撑。选取50、100、200 lb负载内圈、外圈故障作为E、F、G工况数据。

在两个实验平台上采集的振动数据中,不同工作条件下的数据被分别视为源域,如表1所示。实验数据采用1 024个数据点作为每个样本的长度,并从每种运行状态中随机截取300个样本,以确保数据的多样性和代表性。

具体而言,在CWRU数据集中,每个源域共收集3 000个样本,而在MFPT数据集中,每个源域收集1 200个样本。实验过程中,采用逐一迁移策略,即依次将一个源域设为目标域,其余源域作为训练源域。从每个源域的数据集中随机划分70%作为训练集,30%作为测试集,以确保模型训练的稳定性与泛化能力。此外,为降低随机因素对实验结果的影响,每组实验均重复5次,并取其平均值作为最终诊断结果。

所有实验均在Inteli5-12600KF处理器和NVIDIA GeForce GTX4060GPU的计算机环境下,通过PyCharm软件,基于PyTorch框架进行实现与训练。

此外,与DAN、DANN、Deep CORAL、DSAN、MSAN等基准方法的对比研究表明,在考虑多个领域分布差异的情况下,所提出的多源领域自适应策略仅需训练单一模型,即可在不同新场景下实现目标任务的泛化,提升其在真实工业环境中的应用价值。

DAN^[13]:深层自适应网络则利用最大均值差异的核方法,在深层特征空间中减小源域与目标域之间的分布差异。

DANN^[14]:域对抗神经网络通过引入域判别器和对抗性训练,使得特征提取器生成的特征在源域与目标域间难以区分,从而实现域对齐。

Deep DCORAL^[15]:深度协方差对齐通过最小化源域和目标域特征协方差矩阵的差异,实现统计特性上的域对齐。

DSAN^[16]:深度子域适应网络在DAN的基础上引入子域对齐机制,不仅对齐全局边际分布,还显示对齐源域与目标域中同类样本的条件分布,从而实现更加精细的迁移对齐。

MSAN^[17]:针对多源迁移场景中各源域分布不一致的问题,提出在多个源域之间分别构建对齐机制,通过独立对齐各源-目标域对,进一步缩小复杂跨域差异,实现多源特征的有效整合。

在每次迁移故障诊断实验中,箭头前的部分代表源域,箭头后的部分则代表目标域。例如,在迁移故障诊断实验A→B中,A轴承数据集作为源域,B轴承数据集则为目标域。

3.2 迁移诊断实验分析

实验采用batchsize=64进行训练,并在CWRU数据集上评估了多种迁移学习方法的故障诊断准确性。图3、表2展示了不同方法在4个迁移任务(B、C、D→A,A、C、D→B,A、B、D→C,A、B、C→D)上的诊断准确率及其平均值。

实验结果表明,CNN在所有任务中的诊断准确性最低,平均值仅为87.71%,表明在缺乏领域适应策略的情况下,直接迁移会导致模型性能下降。这一现象说明,CNN难以有效应对不同数据分布间的域偏移问题^[18],因此引入领域适应策略对于提升模型的迁移能力至关重要。

相比CNN,DAN、DANN和Deep CORAL采用领域适应策略,显著提升了诊断准确率,其平均准确率分别达到94.17%、95.15%和95.70%,比CNN提高6.46%~8.00%。进一步优化的DSAN和MSAN通过更精细的特征对齐机制,使平均精度提升至97.62%和97.65%,相较于Deep CORAL分别提高了1.92%和1.95%,表明从全局域适应到子域适应的改进能够更精准地对齐数据分布,从而提升迁移学习性能。

在所有方法中,TFMSAN取得了99.68%的平均诊断准确率,相比CNN提升11.97%,较MSAN进一步提高2.03%,展现出其卓越的泛化能力。这一显著提升归因于时频对比策略,该方法能够精准对齐相关子域的分布,并有效捕获类别的细粒度特征,从而显著增强模型的领域适应能力。此外,TFMSAN相比MSAN提升2.03%,进一步验证了从多个源域学习更多相关诊断知识有助于提高模型的泛化能力,使其在跨域故障诊断任务中具备更强的适应性与稳健性。

实验在MFPT数据集上评估了不同迁移学习方法的诊断性能,并将其结果汇总于图4和表3。实验分析表明,所提出的TFMSAN方法在所有任务中均表现优越,远超其他迁移学习方法,尤其是在E、F→G任务中,相比单一源域适应方法表现更为稳定,进一步验证了其在复杂工况下的泛化能力。采用领域适应策略的DAN、Deep CORAL和DANN在所有任务上的准确性均明显高于CNN,平均诊断准确率分别达到87.83%、88.75%和88.41%,相较于CNN提升了7.53%~8.45%。DSAN和MSAN进一步提高了诊断准确率,平均准确率分别为89.38%和94.28%,比Deep CORAL提升了0.63%和5.53%。值得注意的是,在E、F→G任务中,MSAN的准确率达到了90.55%,比DSAN提高8.95%,说明多源领域适应策略相比单一源域适应方法在复杂工况下表现更优。所提出的TFMSAM方法在所有任务上的准确率均高于98.5%,平均值98.59%,相比CNN提高18.29%,相比MSAN提升4.31%。

特别是在E、F→G任务中,TFMSAN取得98.55%的准确率,远高于MSAN和其他单一源域适应方法,均低于84%,说明TFMSAN能够更精准地捕捉跨领域的细粒度特征,从而提升诊断精度。相比MSAN,TFMSAN额外提升4.31%的平均准确率,表明从多个源域学习相关知识能够有效增强模型的决策边界,适应更复杂的工况。

3.3 比较目标域中不同训练样本量

在实际故障诊断中,收集涵盖各种工况的故障数据是一项资源密集型任务^[19-20],因此,理想的诊断模型应能够在有限的训练样本下仍然保持高诊断精度。为验证所提出的TFMSAN模型的诊断能力,以CWRU数据集的A、B、C→D迁移任务为例,设计实验评估其在不同目标域数据比例下的性能。其中,目标域样本数量显著少于源域,以模拟真实场景下有限数据条件对模型迁移能力的影响。为确保模型能够充分训练,实验设定batchsize=32,以实现更高效的迭代训练。图5展示了不同目标域训练样本比例下的诊断结果。

实验结果表明,TFMSAN在所有训练样本比例下均保持最高诊断精度,体现出其强大的跨域泛化能力。随着目标域样本比例的减少,各模型的诊断准确率普遍下降,但不同方法的抗数据稀缺能力存在显著差异。基于距离测量的域适应方法(如单源DSAN)在目标域样本较少时,准确率下降幅度较小,甚至在部分情况下略有提升,表明其在少样本条件下仍具备较强的域匹配能力。相反,基于对抗训练与分类器匹配的域适应方法(如DAN、DANN、DeepCORAL、DSAN和MSAN)在目标域数据极少时,诊断准确率明显下降,表明其对训练样本数量具有较高敏感性,迁移学习的稳定性较弱。

综上所述,基于时频对比策略的TFMSAN相较于全局域匹配方法,能够实现更精细的故障特征提取,从而提升跨域故障诊断的鲁棒性与诊断精度,尤其在少样本条件下展现出更优的泛化性能。

3.4 可视化分析

利用特征可视化方法对所提出的算法及其消融实验结果进行了系统性分析,如图6所示。以具有代表性的迁移任务A、B、C→D为例,实验结果如下。

(1)未采用时频对比匹配策略时,多个源域与目标域在部分类别的特征分布未能实现有效对齐,多数类别样本呈现显著的特征重叠,使得模型难以建立精准的分类决策边界,从而降低迁移学习的性能。

(2)缺少特征动态对齐策略时,三类典型故障在域间适配过程中出现明显偏差,导致局部分类误差增加,削弱模型的跨域泛化能力。

(3)移除时频对比损失项后,部分故障特征簇的类间区分度降低,表现为异类特征间距缩小,而同类特征分布变得离散。特别是三类故障的跨域分布适配失效,加剧了错误分类问题,进一步证明了时频对比机制在多源域泛化中的关键作用。

综合分析表明,时频对比策略能够有效增强不同源域与目标域之间的特征匹配能力,提高跨域适配精度,从而优化迁移学习模型的故障诊断性能。

4 结论

针对旋转机械在实际工业应用中面临的工况多变、标注数据稀缺以及跨域特征对齐困难等问题,提出了一种基于时频对比机制的多源信息迁移学习框架(TFMSAN)。通过理论分析与实验验证,得出以下主要结论。

多层级对齐策略的有效性:TFMSAN通过构建多分支对齐结构,实现了从全局域分布到局部子域(亚域)分布的细粒度对齐。这有效克服了传统方法仅关注全局统计特性而忽略类别级条件分布差异的缺陷,显著提升了模型在复杂工况下的特征判别能力。

时频特征增强的鲁棒性:引入的时频域对比损失函数,成功将信号处理领域的先验知识融入深度学习框架。在滚动轴承和齿轮箱两大典型旋转机械故障诊断实验中,该机制被证实能有效增强同类故障特征的聚合度与异类特征的分离度,即使在强噪声干扰下仍能保持较高的诊断精度。

多源加权融合的优越性:提出的源域分类器加权融合策略,能够根据源域与目标域的相似性动态调整决策权重,有效避免了差异较大的源域带来的负迁移影响。实验结果表明,该方法在目标域样本稀缺及类别不平衡条件下,其平均诊断准确率显著优于现有的单源迁移与全局适应方法。

综上所述,本文方法不仅在算法层面实现了创新,更在工程实践层面验证了其可行性。该研究为中国高端装备在复杂非平稳工况下的智能运维与预测性维护提供了新的技术手段,有助于降低设备全生命周期维护成本,对提升中国工业装备的智能化水平与运行可靠性具有重要的参考价值。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Zhang S, Su L, Gu J, et al. Rotating machinery fault detection and diagnosis based on deep domain adaptation: a survey[J]. Chinese Journal of Aeronautics, 2023, 36(1): 45-74.

[2]	雷亚国, 贾峰, 孔德同, 等. 大数据下机械智能故障诊断的机遇与挑战[J]. 机械工程学报, 2018, 54(5): 94-103.

[3]	Lei Yaguo, Jia Feng, Kong Detong, et al. Opportunities and challenges of intelligent fault diagnosis of machinery under big data[J]. Journal of Mechanical Engineering, 2018, 54(5): 94-103.

[4]	Misbah I, Lee C K M, Keung K L. Fault diagnosis in rotating machines based on transfer learning: literature review[J]. Knowledge-Based Systems, 2024, 283: 111158.

[5]	Li W, Huang R, Li J, et al. A perspective survey on deep transfer learning for fault diagnosis in industrial scenarios: theories, applications and challenges[J]. Mechanical Systems and Signal Processing, 2022, 167: 108487.

[6]	杨汶金, 刘韬, 王振亚, 等. SSD联合邻域伪标签的无源域旋转机械迁移诊断研究[J]. 振动与冲击, 2024, 43(23): 329-336.

[7]	Yang Wenjin, Liu Tao, Wang Zhenya, et al. Research on passive domain rotating machinery migration diagnosis based on SSD combined with neighborhood pseudo-labels[J]. Journal of Vibration and Shock, 2024, 43(23): 329-336.

[8]	施杰, 伍星, 柳小勤, 等. 变分模态分解结合深度迁移学习诊断机械故障[J]. 农业工程学报, 2020, 36(14): 129-137.

[9]	Shi Jie, Wu Xing, Liu Xiaoqin, et al. Mechanical fault diagnosis based on variational mode decomposition combined with deep transfer learning[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(14): 129-137.

[10]	Qian Q, Luo J, Qin Y. Adaptive intermediate class-wise distribution alignment: a universal domain adaptation and generalization method for machine fault diagnosis[J]. IEEE Transactions on Neural Networks and Learning Systems, 2025, 36(3): 4296-4310.

[11]	Jia L, Chow T W S, Wang Y, et al. Dynamic balanced dual prototypical domain generalization for cross-machine fault diagnosis[J]. IEEE Transactions on Instrumentation and Measurement, 2024, 73: 1-10.

[12]	Pei X, Zheng X, Wu J. Rotating machinery fault diagnosis through a transformer convolution network Subjected to transfer learning[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1-11.

[13]	Jiao J, Lin J, Zhao M, et al. Double-level adversarial domain adaptation network for intelligent fault diagnosis[J]. Knowledge-Based Systems, 2020, 205: 106236.

[14]	Liu S, Jiang H, Wu Z, et al. Intelligent fault diagnosis of rotating machinery using a multi-source domain adaptation network with adversarial discrepancy matching[J]. Reliability Engineering & System Safety, 2023, 231: 109036.

[15]	He Y, Zhao C, Shen W. Cross-domain compound fault diagnosis of machine-level motors via time-frequency self-contrastive learning[J]. IEEE Transactions on Industrial Informatics, 2024, 20(7): 9692-9701.

[16]	Long M, Cao Y, Wang J, et al. Learning transferable features with deep adaptation networks[C]// Proceedings of the 32nd International Conference on Machine Learning. Lille: PMLR, 2015: 97-105.

[17]	周湘淇, 付忠广, 高玉才. 无监督域适应迁移学习在旋转机械故障诊断中的应用[J]. 振动与冲击, 2024, 43(10): 106-113.

[18]	Zhou Xiangqi, Fu Zhongguang, Gao Yucai. Application of unsupervised domain adaptation transfer learning in rotating machinery fault diagnosis[J]. Journal of Vibration and Shock, 2024, 43(10): 106-113.

[19]	王超, 田波, 李子睿, 等. 基于自注意力子域自适应对抗网络的轴承变工况故障诊断方法[J]. 中国舰船研究, 2023, 18(5): 260-268.

[20]	Wang Chao, Tian Bo, Li Zirui, et al. Bearing variable operating condition fault diagnosis method based on self-attention subdomain adaptive adversarial network[J]. Chinese Journal of Ship Research, 2023, 18(5): 260-268.

[21]	徐宁富, 彭云建, 张清华. 基于数据增强与领域泛化的轴承跨域故障诊断[J]. 机床与液压, 2024, 52(16): 183-193.

[22]	Xu Ningfu, Peng Yunjian, Zhang Qinghua. Cross-domain bearing fault diagnosis based on data enhancement and domain generalization[J]. Machine Tools and Hydraulics, 2024, 52(16): 183-193.

[23]	Tian J, Han D, Li M, et al. A multi-source information transfer learning method with subdomain adaptation for cross-domain fault diagnosis[J]. Knowledge-based Systems, 2022, 243: 108466.

[24]	刘亚荣, 支正新, 谢晓兰. 基于改进VMD与熵值特征融合的滚动轴承故障特征提取方法[J]. 科学技术与工程, 2025, 25(28): 12013-12022.

[25]	Liu Yarong, Zhi Zhengxin, Xie Xiaolan. Rolling bearing fault feature extraction method based on improved VMD and entropy feature fusion[J]. Science Technology and Engineering, 2025, 25(28): 12013-12022.

[26]	姜阔胜, 王巍. 基于深度度量学习的矿山电机故障诊断及状态监测[J]. 科学技术与工程, 2025, 25(28): 11952-11959.

[27]	Jiang Kuosheng, Wang Wei. Fault diagnosis and condition monitoring of mine motor based on deep metric learning[J]. Science Technology and Engineering, 2025, 25(28): 11952-11959.

[28]	程佳琳, 袁得嵛, 陈梓彦, 等. 基于对比学习的多层图注意力网络身份关联模型[J]. 科学技术与工程, 2025, 25(24): 10334-10343.

[29]	Cheng Jialin, Yuan Deyu, Chen Ziyan, et al. Identity association model of multi-layer graph attention network based on contrastive learning[J]. Science Technology and Engineering, 2025, 25(24): 10334-10343.