Page 106 - 《振动工程学报》2025年第11期
P. 106

2564                               振     动     工     程     学     报                     第 38 卷


                                                 表 2 不同场景下的跨域诊断任务
                                         Tab. 2 Cross-domain diagnosis tasks in different scenarios

                 场景      诊断任务       迁移场景        故障类别          场景       诊断任务           迁移场景           故障类别
                           C1       W4→W13      0，1，2，3，4                S1         W1，W4→W11        0，1，2，3，4
                           C2       W12→W5      0，1，2，3，4                S2        W11，W12→W1        0，1，2，3，4
                CCFD                                        MSCFD
                           C3       W1→W11      0，1，2，3，4                S3       W1，W2，W3→W14       0，1，2，3，4
                           C4        W4→W6      0，1，2，3，4                S4       W4，W7，W11→W6       0，1，2，3，4
                           P1       W4→W13       0，2，3，4                 T1         W1→W4，W9         0，1，2，3，4
                           P2       W12→W5        0，2，4                  T2        W13→W3，W10        0，1，2，3，4
                PCFD                                        MTCFD
                           P3       W1→W11       0，1，2，3                 T3       W4→W8，W9，W10       0，1，2，3，4
                           P4        W4→W6        0，3，4                  T4       W1→W3，W10，W14      0，1，2，3，4

              adversarial domain adaptation，PADA）在对抗训练过程        0.05，损失权衡参数       λ设置为    1。训练参数      Batch size
              中通过类级加权对非共享源域类别进行过滤，以减                            设为   64，最大  Epoch  轮次为   200，参数优化采用       Adam
              轻负迁移     [21] 。其结构和参数与上述         DANN  保持一        优化算法，初始学习率为           0.001。为降低随机性的影响，
              致 。 选 择 性 对 抗 网 络（ selective adversarial network，  所有试验均独立重复         5  次，最终测试准确率取平均值。

              SAN）采用类似的加权策略，但构建类特定的域判别
                                                                                表 3 模型参数设置
              器实现更精细的共享类别对齐              [22] 。加权对抗迁移网
                                                                          Tab. 3 Setting of model parameters
              络（weighted adversarial transfer network， WATN）通过
                                                                      参数        参数设置         参数       参数设置
              实例级加权过滤无关的源域样本，借助对抗学习实
                                                                    温度参数  τ       0.05     Batch size    64
              现选择性域对齐        [23] 。
                                                                  损失权衡参数    λ      1       Epoch轮次      200
                  （3）MSCFD  场景。CNN、MMD、DANN         和  JMMD
                                                                  参数优化算法         Adam      初始学习率        0.001
              被选为多源跨域诊断问题的对比方法。上述方法

              将 多 个 源 域 的 数 据 合 并 作 为 源 数 据， 且 不 考 虑 特
                                                                3.4    试验结果及分析
              定 源 域 的 标 签 。 多 源 域 自 适 应 网 络（ multi-source

              domainadaptation network， MSDAN） 采 用 共 享 特 征 提    3.4.1    测试精度对比与分析
              取器和域特定分类器来处理多源数据，并与目标域                                CNN、 MMD、 DANN、 JMMD      以 及 所 提 方 法 在
              进行对齐     [24] 。多源域特征自适应网络（multi-source            CCFD  任务上的测试准确率结果如图               6  所示。未采
              domain feature adaptation network， MDFAN）构建了域     用迁移机制的基准模型            CNN  在所有任务中准确率
              内和域间对齐机制，并利用多分类器的预测一致性                            均显著较低，平均准确率仅为              68.86%，表明域偏移对
              实现鲁棒分类      [25] 。                                诊断性能存在显著负面影响。集成矩匹配机制的
                  （4） MTCFD  场 景 。 在 不 使 用 域 标 签 的 情 况 下 ，      MMD   方法与基于域对抗学习的            DANN  方法，均通过
              CNN、MMD、DANN      和  JMMD  将多个目标域数据合              消除域间分布差异使平均准确率提升                   25%  以上，分
              并作为目标样本，以适应多目标场景。多目标域自                            别达到    94.52%  和  94.66%。同时考虑边缘分布与条
              适 应 网 络（ multi-target  domain  adaptation  network，  件分布对齐的     JMMD  方法的准确率仅次于所提方
              MTDAN）通过引入多域判别器对对抗网络进行扩

                                                                            CNN   MMD   DANN   JMMD  PCC
              展，实现每个目标域与源域的对齐                [26] 。残差深度子
                                                                        100
              域 自 适 应 网 络（ residual  depth  subdomain  adaptive
              network，RDSAN）引入多个局部最大均值差异对齐                               80
              每个源域-目标域配对中相关的故障子域                  [27] 。                 60
                  为确保对比评估的公平性，对比方法与所提统                                  测试准确率 / %
              一框架采用相似的骨干网络架构和模型训练参数。                                     40

                                                                         20
              3.3    算法环境与参数设置
                                                                          0
                                                                             C1    C2   C3    C4  平均值
                  本研究中的所有代码和试验均基于                 Python3.8  环                        诊断任务

              境下的    PyTorch  框架实现。试验在配备         GeForce RTX          图 6 CCFD  任务上不同方法的跨域诊断精度
              3060 GPU  的计算设备上进行。模型参数详细设置如                      Fig. 6 Cross-domain  diagnostic  accuracy  of  different  methods
              表  3  所 示 。 训 练 过 程 中 ， 模 型 温 度 参 数   τ设 置 为            on CCFD tasks
   101   102   103   104   105   106   107   108   109   110   111