Page 101 - 《振动工程学报》2025年第11期

第 11 期 张宇腾，等：面向不同标签与域配置的统一跨域故障诊断方法 2559

上述研究多聚焦于基于标签或者域信息先验预 及域配置形式，由此形成了多场景下的跨域故障诊
定义场景下的跨域故障诊断问题，一旦标签或者域 断问题，如图 1 所示。根据域间标签关系的完备性，
配置发生变化，上述方法的性能会显著下降。在实 存 在 闭 集 跨 域 故 障 诊 断（ close-set cross-domain fault
际工业场景中，故障类别往往具有不可预测性，且多 diagnosis，CCFD），部分集跨域故障诊断 （PCFD）等。
源数据也并非总能稳定获取。因此，构建适用于不 在 CCFD 问 题 中 ， 源 域 和 目 标 域 共 享 标 签 空 间
同标签与域配置场景下的统一跨域故障诊断方法成 C S = C T ，即源域和目标域拥有相同的故障类别。此
为亟待解决的关键问题。为此，本文提出一种面向 场景下通过域对抗训练或者矩匹配来学习域不变表
不同标签与域配置的统一跨域故障诊断方法。该方 示，使得诊断模型具备跨域可用性。在 PCFD 问题
法提出一种多场景共享的预测类别混淆（predictive 中， 目 标 域 仅 包 含 源 域 中 的 部 分 故 障 类 别 ， 即
class confusion，PCC）偏差，以适配不同跨域诊断场 C T ⊆ C S 。PCFD 的难点在于消除源域与目标域之间
景。此外，通过集成基于原型相似度的故障判别方 分布差异的同时，需要有效避免不相关故障类 C S \C T
法和基于标签平滑的概率校准机制，对特征空间与 对域自适应的负面影响。
概率输出进行正则化处理，能够为 PCC 提供可靠的 除上述域间标签关系的差异外，参与迁移过程
类别分布预测与类间交叉倾向描述。所提方法在统 的源域与目标域数量及其相关性差异，还可以构成
一模型框架下，可为不同标签与域配置场景下的跨 不 同 域 配 置 下 的 跨 域 故 障 诊 断 问 题 。 在 多 源 跨
域诊断任务提供有效的解决方案。 域 故 障 诊 断（ multi-source cross-domain fault diagnosis，

MSCFD）场景中，存在源域集合 S M = {D } 和目标
m M
s m=1
1 不 同 场 景 下 的 跨 域 故 障 诊 断 描 述 域 D t = {x } ，MSCFD 方法能够通过学习和组合多
t n t
j j=1
个相关源域的诊断知识，有效弥补单一源域诊断知
跨域故障诊断旨在利用源域的诊断知识提升目 识不足的问题。此外，当诊断场景从单个目标域拓
n N
标域的迁移诊断性能。此类问题通常假设存在一个 展 到 多 个 目 标 域 T N = {D } 时 ， 则 构 成 多 目 标 跨
t n=1
包含 n s 个源样本的有标签源域数据集 D s = {(x ,y )} n s 域 故 障 诊 断（ multi-target cross-domain fault diagnosis，
s
s
i=1
i
i
和 一 个 包 含 n t 个 样 本 的 无 标 签 目 标 域 数 据 集 D t = MTCFD）问题。MTCFD 问题的核心挑战则在于如何
t n t 。 D s 和 D t 分别服从数据分布 P s (X s )和 P t (X t )，且 高效学习构建跨域诊断模型，使其在多个目标域上
{x }
j j=1
P s (X s ) , P t (X t )。 由 于 设 备 的 实 际 运 行 场 景 复 杂 多 均具备鲁棒的跨域诊断性能，从而避免为每个目标
变，源域与目标域之间可能存在不同的标签关系以 域单独重新训练模型的复杂过程。

CCFD PCFD
...
不同标签配置
源域 目标域 源域 目标域
跨域故障诊断
MSCFD MTCFD
...
不同域配置
... ...

源域 目标域 源域 目标域

图 1 不同标签和域配置场景下的跨域故障诊断问题
Fig. 1 Cross-domain fault diagnosis problems under different label and domain configurations

景共享假设，主要包含三个核心模块：基于原型相似
2 统 一 跨 域 故 障 诊 断 方 法 性的故障判别模块、基于标签平滑的概率校准机制
和最小预测类别混淆模块。其中，基于原型相似性
本节提出面向不同标签与域配置场景的统一跨 的故障判别模块可提升未知样本的分类鲁棒性，为
域故障诊断方法，所提方法无需针对特定诊断场景 PCC 提供可靠预测分布；基于标签平滑的概率校准
重新设计模型，能够实现通用性跨域迁移诊断。所 机制旨在缓解过度自信预测带来的偏差，进而提高
提统一方法的原理图如图 2 所示。该方法基于多场 类别混淆估计的准确性；PCC 作为适用于多种场景