基于仿真实验数据融合与元学习的旋转机械故障诊断单域泛化方法
《Engineering Applications of Artificial Intelligence》:Single domain generalization method based on simulation-experiment data fusion and meta-learning for rotating machinery fault diagnosis
【字体:
大
中
小
】
时间:2025年12月22日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
韩佳璐|王启斌|尹磊|谢新明|林晨毅
中国陕西省西安市西电大学高性能电子设备机电一体化制造国家重点实验室,邮编710071
摘要
单域泛化方法仅需训练一个域即可诊断未知域,这是一项极具挑战性的任务。然而,目前大多数方法在数据增强过程中缺乏明确的物理约束,也未考虑学习
韩佳璐|王启斌|尹磊|谢新明|林晨毅
中国陕西省西安市西电大学高性能电子设备机电一体化制造国家重点实验室,邮编710071
摘要
单域泛化方法仅需训练一个域即可诊断未知域,这是一项极具挑战性的任务。然而,目前大多数方法在数据增强过程中缺乏明确的物理约束,也未考虑学习样本间内在相似性对泛化的积极影响。因此,本文提出了一种基于仿真实验数据融合与元学习的新型单域泛化框架。首先,设计了一种多样化的Wasserstein生成对抗网络(Div-WGAN),通过定量评估并反馈数据多样性来生成更多样化的样本,同时将成熟动态模型生成的仿真数据整合到网络中,以确保生成样本的物理特性。其次,为提升模型的泛化能力,本文提出了一种基于度量的元学习方法,通过可学习的关系模块揭示样本对之间的相似性关系,并在测试阶段设计相似度分数累积策略,通过综合同一类别多个样本的信息来实现故障诊断。最后,通过在两个数据集上进行的大量识别实验,所提方法在单域泛化诊断任务中展现出优异的性能。
引言
随着工业技术的快速发展,旋转机械在现代工业中的作用日益重要,这对它的运行和维护提出了更高要求(Chen等人,2023;Jiang等人,2024)。人工智能的迅猛发展吸引了众多关注,许多基于深度学习的智能故障诊断方法被广泛应用于旋转机械的故障识别中。这些方法取代了依赖人工经验和定期检查的传统方法,显著提升了工业生产的安全性与效率(Yang等人,2024a、2024b;Ma等人,2024;Zhang等人,2024a)。
深度学习方法通过多层神经网络结构自动从原始数据中提取复杂特征,构建端到端的智能故障诊断模型。诸如自编码器(Yang等人,2022)、卷积神经网络(Zhu等人,2021)和循环神经网络(Zhu等人,2022)等典型深度学习方法已被广泛用于各类机械的故障诊断。然而,这些方法假设训练数据和测试数据的分布相同,而由于设备状况的变化,这一假设在实践中往往不成立(Li等人,2024;Wei等人,2025)。因此,学者们引入了领域自适应技术,以减少特征层面的领域差异,获得领域不变特征,从而提升模型性能(Zheng等人,2024;Liang等人,2023;Zhang等人,2024b)。目前的领域自适应方法主要基于统计度量和对抗性方法来减小源领域与目标领域的分布差异。Zhang等人(2023)提出了一种两阶段智能故障诊断方法,通过加权对抗策略和交替方案缩小源目标领域差距。Sun等人(2025a)提出了一种伪标签引导的双分类器领域对抗网络,可在保留某些领域特定分布特征的同时实现领域迁移。不过,领域自适应方法在训练阶段需要使用目标领域的样本,这大大限制了其在实际场景中的应用。
与领域自适应方法相比,领域泛化方法在训练阶段无需使用目标领域的数据,因此具有更广泛的适用性(Zhang等人,2024c;Zhao和Shen,2024;Zheng等人,2025)。关于故障诊断领域泛化方法的研究进展已在多篇综述中进行了总结(Zhao等人,2024;Xiao等人,2025)。Fan等人(2023)提出了一种深度混合领域泛化网络,用于获取领域不变特征。Li等人(2023)提出了一种对抗性领域增强泛化策略,通过对抗训练创建增强领域和学习领域特征,以提升泛化能力。Wang等人(2023b)提出了一种带有多领域特定辅助分类器的领域泛化网络。尽管领域泛化方法消除了对目标领域数据的依赖,但它们仍存在一个严重局限:需要多个源领域的数据,而这在工业应用中往往较为困难,限制了其在实际工业场景中的应用。
单域泛化是领域泛化的一种形式,仅需训练一个源领域,即可实现对多个未知目标领域的诊断。目前的单域泛化方法主要通过数据或特征增强来生成更多样化的样本,以提升泛化能力。Wang等人(2023a)提出了一种多尺度风格生成策略,通过对抗学习生成更多样化的样本,并扩大源领域与增强领域之间的差异。Pu等人(2024)利用对抗学习生成多个增强领域,再通过对比学习方法学习领域不变特征。Jian等人(2024)提出了一种基于梯度的领域增强元学习单域泛化方法,以实现领域泛化。Zhao和Shen(2023)通过领域生成模块与任务诊断模块之间的迭代最小-最大互信息游戏,学习能够抵抗未知领域变化的特征。Sun等人(2025b)提出了一种基于小波包增强和伪领域生成的通用单源领域泛化框架,旨在提升故障诊断模型在未知工况下的泛化能力。在工业实践中,收集多种工况下的旋转机械故障数据往往并不现实,通常只能利用某一工况下的数据来训练模型,进而实现对多种未知工况的故障诊断。因此,单域泛化方法比领域自适应方法和领域泛化方法更具实用性,这是一个极具前景且充满挑战的问题。不过,该方法可能会遇到以下问题:
1. 目前一些方法采用风格迁移(Wang等人,2023a;Pu等人,2024)、互信息最小化(Zhao和Shen,2023)以及基于梯度的技术(Jian等人,2024)来创建多样化的增强领域。但这些方法缺乏对物理约束的明确建模,可能导致生成的数据虽然统计上具有多样性,却无法反映机械的实际物理机制,从而限制模型的泛化能力。
2. 目前的一些方法通过对比学习(Wang等人,2023b;Pu等人,2024;Zhao和Shen,2023)、基于优化的元学习(Jian等人,2024)以及先进的网络架构设计(Sun等人,2025b)来学习通用模型。但这些方法直接使用训练好的模型对未知领域的测试数据进行故障诊断,过度依赖训练数据与测试数据之间的分布一致性,忽视了对样本间内在相似性的探索。这意味着,即便通过数据增强获得了某种程度的多样性,当面对与训练领域分布差异较大的未知目标领域时,模型仍可能无法识别在不同工况下发生的本质上相同的故障模式。
为解决上述问题,本文提出了一种基于仿真实验数据融合的元学习单域泛化框架。首先,设计了一种多样化的Wasserstein生成对抗网络,通过对抗训练创建包含更多样化样本的增强领域。其次,构建了一个动态轴承仿真模型来生成仿真数据,将这些数据整合到网络中,进一步确保增强领域样本的物理特性。第三,在训练过程中采用基于度量的元学习方法,在测试阶段则使用相似度分数累积决策策略进行故障诊断,从而提升模型的泛化能力。最后,通过在两个数据集上进行的大量单域泛化诊断实验,验证了所提方法的优越性。本文的主要贡献如下:
1. 设计了一种多样化的Wasserstein生成对抗网络,该网络能够在对抗训练过程中定量评估生成数据的多样性,从而提升增强领域样本的多样性。
2. 提出了一种仿真实验数据融合的领域扩展方法,具体而言,将仿真数据作为输入输入到Div-WGAN中,以确保生成的样本与实际的故障机制一致,从而使模型能够学习到更强大的特征,提升泛化性能。
3. 提出了一种改进的基于度量的元学习方法,该方法通过学习样本对之间的相似性关系,并引入相似度分数累积决策策略,从而提升模型在其他未知领域的泛化能力。
本文的结构如下:第2节详细阐述所提出的单域泛化故障诊断方法。第3节通过实验分析所提方法的性能。最后,第4节根据实验结果得出结论。
问题表述
在相同工作条件下收集的数据被定义为带标签的源领域Ds={(xis,yis)}i=1ns,这些数据来自分布Ps,其中xis∈RL表示源领域的样本,L表示样本数量;yis∈RNc表示xis的健康状态,Nc为健康状态的数量;ns为源领域样本的数量。在训练阶段,无法获取那些未知的目标领域Dt={Dtj}j=1J,其中Dtj是从分布Pt中抽取的第j个目标领域样本。源领域和目标领域的样本……
PU数据集
本文使用了帕德博恩大学提供的轴承数据集来验证所提方法的有效性。实验装置如图10所示,加速度传感器安装在SKF 6203轴承上,振动数据以64 kHz的采样频率采集。表1提供了实验工况的详细信息。本研究考虑了三种轴承工况:正常状态(N)、内圈故障(IR)和外圈故障(OR)。对于每种工况……
结论
针对单域泛化故障诊断问题,本文提出了一种基于仿真实验数据融合的元学习单域泛化方法。在该方法中,首先设计了一种多样化的Wasserstein生成对抗网络,再将仿真数据整合到网络中,从而创建出一个包含更多样化且具有物理特性的样本的增强领域。同时,提出了一种基于度量的元学习方法来训练故障诊断网络,并在测试阶段采用相似度分数累积决策策略,以此提升模型在其他未知领域的泛化能力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号