胶囊激活可分性驱动的域对抗注意力网络用于具有内在决策的细粒度开集域泛化故障诊断

《Engineering Applications of Artificial Intelligence》:Capsule Activation Separability-Driven domain-adversarial attention network for fine-grained open-set domain generalization fault diagnosis with intrinsic decision

【字体: 大 中 小 】 时间:2026年09月29日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   摘要实现机械系统的细粒度(FG)开放集域泛化(OSDG)故障诊断是智能维护实际部署中的关键挑战。然而,现有研究大多仅提供粗粒度诊断,且其开放集准则严重依赖外部模块,限制了模型的效率与可靠性。针对上述挑战,本文提出了一种新型深度网络——胶囊激活可分性驱动的域对抗注意力网络(CA

  

摘要

实现机械系统的细粒度(FG)开放集域泛化(OSDG)故障诊断是智能维护实际部署中的关键挑战。然而,现有研究大多仅提供粗粒度诊断,且其开放集准则严重依赖外部模块,限制了模型的效率与可靠性。针对上述挑战,本文提出了一种新型深度网络——胶囊激活可分性驱动的域对抗注意力网络(CAS-DAANet)。CAS-DAANet的核心创新在于将胶囊激活可分性(CAS)作为内在准则。CAS巧妙地以模型对给定输入的决策确定性为核心度量,从而统一并内在评估开放空间风险、分类置信度风险以及模型幻觉风险。这使得开放集识别无需外部模块即可实现,并具有固有的可解释性。此外,为进一步增强模型学习层次化故障特征的能力,CAS-DAANet融合了自注意力机制和域对抗训练,以学习鲁棒的、域不变的故障表示。通过优化设计的CAS损失函数并结合自适应阈值校准策略,CAS-DAANet能够准确诊断未见目标域中的已知故障,并有效识别未知故障。在HUST和CWRU数据集上的大量实验验证表明,本文提出的CAS-DAANet分别实现了86.28%和90.05%的平均H-Score,证实了所提方法的有效性和卓越的泛化能力。

引言

在现代工业系统中,旋转机械是不可或缺的核心部件。因此,准确及时的故障诊断受到了广泛关注(Lei等,2020;Xiao等,2025)。近年来,深度学习(DL)为该领域带来了突破(Lu等,2024;C. Zhao和Shen,2022),尤其是在开发鲁棒且可信赖的诊断框架方面(Kang等,2026;Lao等,2026)。然而,真实工业环境提出了两个违反传统封闭集假设的基本挑战:工况的动态变化(导致域偏移)以及新型故障类型的意外出现(H. Pan等,2022;Z. Pan等,2023,2024)。构建能够同时处理未见工况和未知故障的模型——即开放集域泛化(OSDG)——已成为一个关键前沿(Chen等,2026;J. Wang等,2026)。
尽管开创性的OSDG工作,如自适应开放集域泛化网络(AOSDGN)和自适应重构特征差异网络(AFRDN)(Liu等,2025;C. Zhao和Shen,2022),取得了显著进展,但当前研究仍存在两个主要差距:
差距1:缺乏细粒度识别能力。现有方法通常将故障视为宽泛的类别(如"外圈故障"或"内圈故障")。然而,在实际维护中,准确区分同一故障类型内不同严重程度至关重要。类间方差大而类内方差小的特点使得当前模型在此类细粒度识别场景中的OSDG能力普遍不足(Ke等,2025)。
差距2:为识别未知故障,当前最先进的方法依赖于额外的复杂模块,如几何距离计算器或特征重构器。这些方法利用与主分类任务解耦的间接准则(如重构误差),这不仅增加了计算复杂度,还与域泛化(DG)模块在本质上产生"目标冲突",从而损害诊断可靠性。
为了解决这些局限性,我们将视角从传统卷积神经网络(CNNs)转向胶囊网络(CapsNets)。与通过池化丢失空间层次结构并输出有限标量激活的CNNs不同,CapsNets保留了丰富的空间关系并提供基于向量的输出(Sabour等,2017)。利用这一结构优势,本文提出了一种新型、无模块的深度框架——胶囊激活可分性驱动的域对抗注意力网络(CAS-DAANet)。
本文框架的核心创新在于提出将胶囊激活可分性(CAS)作为内在的开放集准则。不同于依赖外部模式偏差的方法,CAS直观地基于胶囊向量长度直接推导出的模型内在"决策不确定性"来定义"未知"。为确保复杂工况下CAS所需的特征质量,CAS-DAANet遵循"增强-锚定-表征"的整体架构:利用自注意力机制增强细粒度特征的判别性,并采用域对抗神经网络(DANN)锚定跨工况的一致性。
本研究的主要贡献总结如下:
  • (1)
    提出了一种内在的开放集识别准则——胶囊激活可分性(CAS)。CAS基于胶囊网络输出向量之间的相对激活差异定义了模型决策确定性的度量。与依赖外部模块(如重构器或距离度量学习器)的传统方法不同,CAS在模型内部提供了对开放空间风险、分类置信度风险和模型幻觉风险统一且内在的表征。这为构建可解释、高效且无依赖的开放集识别机制提供了新途径。
  • (2)
    开发了一种集成域对抗学习和自注意力的端到端胶囊网络框架。遵循"增强-锚定-表征"的设计理念,所提出的CAS-DAANet采用自注意力模块增强细粒度特征判别性,并采用域对抗模块锚定跨工况一致性。这两个模块共同赋予胶囊网络生成高质量、域不变且结构化的表征能力。该架构大幅提升了复杂工况下的特征稳定性和泛化性能。
  • (3)
    建立了细粒度开放集域泛化诊断的基准,并验证了所提方法的有效性和普适性。我们在两个权威轴承数据集HUST和CWRU上系统设计了共56个跨域任务,涵盖不同故障严重程度和开放集比例。实验结果表明,CAS-DAANet在这两个数据集上分别实现了86.28%和90.05%的平均H-Score,显著优于现有方法。这些结果验证了所提框架在细粒度OSDG任务中的性能优势、稳定性和泛化能力。
本文其余部分组织如下。第2节回顾相关工作。第3节阐述所提方法的细节。第4节通过两个案例研究验证所提方法并深入分析结果。最后,第5节总结全文。

章节摘要

相关工作

本节简要回顾了相关文献,为所提出的CAS-DAANet奠定背景基础。

所提方法

本章首先阐述解决本文所研究开放集域泛化(OSDG)问题的核心思想——利用胶囊激活可分性(CAS)实现开放集识别。随后,为实现这一思想,我们介绍了CAS-DAANet的总体框架并详细描述其关键技术组件。

实验验证

为验证所提出的CAS-DAANet框架在处理复杂工业场景中的有效性和优越性,本章展示了一系列严格的实验。主要实验在HUST轴承数据集上进行,以全面评估模型在细粒度故障识别、域泛化和开放集识别方面的性能(Thuan和Hong,2023)。随后,在……上进一步验证了所提方法的泛化能力

结论

本工作针对细粒度开放集域泛化(OSDG)这一难题,提出了一种以胶囊激活可分性(CAS)准则为核心的端到端深度胶囊网络CAS-DAANet。通过基于决策不确定性而非外部空间或模式偏差来定义"未知",该框架与工业安全决策的内在要求相一致。综合"增强-锚定-表征"设计,利用自注意力和……

CRediT作者贡献声明

赵东方:写作—审阅与编辑、监督、项目管理、经费获取、数据管理、概念构思。赵辰阳:写作—初稿撰写、可视化、方法论、形式化分析、数据管理。秦沁:写作—审阅与编辑、软件、资源、经费获取、概念构思。肖顺根:写作—审阅与编辑、软件、经费获取、概念构思。宋萌萌:软件、资源、调查、概念构思。

利益冲突声明

作者声明与本工作不存在利益冲突。

致谢

本工作获得上海AI赋能研究计划(A30NH240507-03)、教育部数据中国"百校工程"基地开放项目(HUP202401)、上海 Polytechnic University 项目(EGD25QD01)、福建省自然科学基金(2024J01946)以及宁德师范学院协同创新中心项目(2023ZX01)的资助。
赵东方 | 赵辰阳 | 秦沁 | 肖顺根 | 宋萌萌
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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