Page 100 - 《振动工程学报》2025年第11期
P. 100

2558                               振     动     工     程     学     报                     第 38 卷

              domain configurations，outperforming state-of-the-art approaches and fully verifying its generality and superiority.
              Keywords：intelligent fault diagnosis；multi-scenario cross-domain diagnosis；unified method；transfer learning


                  在现代工业体系中，航空发动机、风力发电机、                         备跨设备诊断能力的跨域迁移诊断模型。DU                       等  [7]
              电力机车等高端装备是航空航天、能源交通等关键                            引入无约束      Wasserstein  距离替代对抗损失，有效降
              领域的核心，其运行状态直接关乎工业生产的安全                            低了消除域偏移的迁移成本，实现了优异的跨域诊
              性与稳定性。先进的健康监测与智能故障诊断技术                            断性能。NIU      等  [8]  则设计了一种嵌入稀疏表示去噪
              作为保障高端装备全生命周期安全可靠服役的核心                            的动态加权域对抗网络，通过稀疏表示去噪抑制噪
              手段，近年来已成为学术界与工业界关注的研究热                            声干扰，从而实现域不变特征的高效提取。
              点。高效可靠的智能故障诊断技术对于提升装备运                                传统基于迁移学习的故障诊断方法通常假设源
              维水平与降低设备故障风险具有重要意义                   [1-2] 。      域和目标域具有相同的故障类别，在闭集假设下学
                  随着传感技术和人工智能的进步，数据驱动的                          习域不变知识，但这一前提在实际工业系统中往往
              智能故障诊断（intelligent fault diagnosis，IFD）受到了        难以满足。由于在设备运行过程中，故障状态通常
              越来越多的关注。与严重依赖物理先验和专家知识                            通过主动维护被避免，且设备故障发生具有不可预
              的传统故障诊断方法不同，数据驱动的                   IFD  方法直      测性，构建故障类别完全一致的源域与目标域数据
              接从历史监测数据构建智能诊断模型。借助经典                             集是一项挑战。针对此类问题，现有研究对闭集、
              机 器 学 习（ machine learning， ML） 和 深 度 学 习 （ deep   部分集和开集等多种跨域诊断场景提出了有效解决
              learning，DL）技术强大的特征表示和提取能力，数据                     方案。JIAO    等 [9]  提出多加权域对抗网络以解决部分
              驱动的    IFD  方法能够实现自动化的特征提取和高精                     集跨域诊断问题（partial-set cross-domain fault diagnosis，
              度故障识别。早期，基于经典             ML  理论的   IFD  方法主      PCFD），该方法通过构建类级与实例级的源域样本
              要侧重于故障特征工程，旨在从标记数据中学习故                            加权策略，有效削弱了源域不相关故障类的负面影
              障特征与健康状态之间的映射关系 。然而，此类方                           响。LIU   等  [10]  设计带源域样本滤波的       PCFD  方法，利
                                             [3]
              法的性能对特征质量极为敏感，而人工特征提取往                            用滤波系数与双分类器结构对源域样本进行初步及
              往取决于专家经验和领域知识。近年，基于                      DL  的    细粒度过滤，避免了加权策略中对伪标签的过度依
              IFD  方法因其在自动特征学习、非线性建模和模式                         赖。此外，此方法通过构建可迁移性评价器量化源
              识别方面的优越性能而成为研究热点。例如，卷积                            域故障样本对域匹配的重要性，并引入跨域注意力
              神经网络（convolutional neural network，CNN）在振动         机制提升模型迁移性能。WANG                等  [11]  设计多加权
              信号的判别性特征提取方面表现出强大能力，循环                            开 集 域 对 抗 网 络 以 解 决 开 集 跨 域 故 障 诊 断 问 题
              神经网络及其变体则在时间序列数据建模和捕捉系                            （open-set cross-domain fault diagnosis，OCFD），该方法
              统运行状态的动态变化方面效果显著 。                                融合类级与域级判别信息识别源域与目标域间的共
                                               [4]
                  尽管基于经典       ML  和  DL  的智能故障诊断技术             享故障类别，同时构建离群分类器学习目标样本伪
              已取得显著进展，但其在实际工业中部署应用仍然                            标签，为旋转机械新故障检测提供了有效工具。SUN
              面临若干挑战。由设备运行条件变化、结构差异和                            等 [12]  提出结合域分布变化学习的           OCFD  方法，解决
              传感器部署位置不同所导致的域分布偏移以及在实                            了传统迁移诊断方法在未知故障识别中的局限性，
              际工业中故障样本稀缺的普遍问题，限制了安全可                            该方法通过伪标记与权值归一化构建自监督学习方
              靠 智 能 故 障 诊 断 模 型 的 建 立 。 无 监 督 自 适 应             法，利用目标域潜在分布模式，成功实现了直升机传
              （unsupervised domain adaptation，UDA）等迁移学习技        动系统的开集跨域诊断。此外，为缓解因依赖单一
              术已成为应对上述挑战的有效解决方案 。通过从                            信 息 源 导 致 的 诊 断 知 识 不 足 问 题， 多 源 跨 域 诊 断
                                                  [5]
              不同设备、不同运行工况条件或相似系统等相关源                            （mult-source cross-domain fault diagnosis，MSCFD）方法
              域进行知识迁移，UDA          技术能够在目标域缺少标签                 也受到研究者们关注。此类方法通过学习并融合多
              且与源域存在分布差异的条件下有效提升故障诊断                            源域知识，提升跨域诊断性能。WU                 等  [13]  开发嵌入
              性能。基于      UDA  的故障诊断方法核心目标在于通                    注意机制的动态匹配单元方法，根据输入自适应调
              过特征对齐、模型自适应及知识迁移策略，缓解域                            整模型参数，促进目标域与多源域间的分布对齐，并
              间分布偏移与标签稀缺问题，以改善跨工况有限、                            利用注意机制增强更相关源域的重要性，从而实现

              跨设备及样本稀缺场景下的故障识别效果。YANG                    等 [6]  多源跨域故障诊断。LIU           等  [14]  提出双分支特征匹配
              通过在深度残差网络中嵌入多高斯核诱导的最大平                            引导的多源域自适应模型，从外部与内部两个维度
              均差异（maximum mean discrepancy，MMD），构建了具            实现多源域匹配，获得可靠的跨域故障诊断性能。
   95   96   97   98   99   100   101   102   103   104   105