Page 107 - 《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 2565

法，实现了 97.18% 的平均准确率。所提方法在 4 项 了其应用范围。相比之下，所提方法无需依赖域标
CCFD 任务中取得 98.52% 的平均准确率且准确率标 签，通过直接优化多源域分类损失与目标域 PCC 损
准差相对较小，表明其不仅具有更高的诊断精度，还 失，实现多源域知识的组合与迁移。在 4 项 MSCFD
具备更稳定的跨域适应能力。 任务中，所提方法实现了 98.35% 的平均诊断精度，
PCFD 任 务 上 不 同 方 法 的 跨 域 诊 断 精 度 如 图 7 不仅体现了其在多源域场景下的性能优势，也验证
所示。相较于基准 CNN、MMD、DANN 以及 JMMD 了其无需显式域信息即可适配复杂源域配置的优异
等传统跨域诊断方法的性能得到显著提升，诊断精 性能。
度均超过 80%，表明域对齐机制对缓解部分集场景
CNN MMD DANN JMMD
下的域偏移仍有一定作用。然而，这类方法对源域 MSDAN MDFAN PCC
与目标域进行全局分布对齐时，源域私有类别的存 100
在易引发负迁移，即模型可能将目标域样本错误关 80
联至源域特有类别，导致诊断精度下降。PADA、SAN 60
及 WATN 等针对部分集场景设计的方法，通过引入 测试准确率 / %
类级或实例级源样本加权策略，可在训练过程中削 40
弱无关源域类别的负面影响。其中 SAN 与 WATN 20
在 4 项 PCFD 任务的平均诊断准确率均超过 90%，但
0
仍低于所提方法。其原因在于上述方法通过目标域 S1 S2 S3 S4 平均值
诊断任务
样本的预测标签分布构建加权策略以调整源域样本
图 8 MSCFD 任务上不同方法的跨域诊断精度
权重，这一过程不仅引入了权重估计误差风险，还可
Fig. 8 Cross-domain diagnostic accuracy of different methods
能因预测偏差导致源-目标域对齐偏移，进而限制诊
on MSCFD tasks
断性能。相比之下，所提方法无需对无关类进行显
CNN MMD DANN JMMD

式过滤，而是通过降低分类器在目标域样本上的预 MTDAN RDSAN PCC
测混淆，有效缓解了噪声权重导致的负迁移。 100

CNN MMD DANN JMMD 80
SAN WATN PCC PADA
100 测试准确率 / % 60

40
80
测试准确率 / % 60 20 0

40
T3
T2
T1
诊断任务 T4 平均值
20
图 9 MTCFD 任务上不同方法的跨域诊断精度
0 Fig. 9 Cross-domain diagnostic accuracy of different methods
P1 P2 P3 P4 平均值
诊断任务 on MTCFD tasks

图 7 PCFD 任务上不同方法的跨域诊断精度 类似地，在 MTCFD 场景中，基于传统无监督域
Fig. 7 Cross-domain diagnostic accuracy of different methods
自适应的方法通过直接融合多个目标域进行统一跨
on PCFD tasks
域迁移，但这种方式难以同时适配不同目标域的独
不同方法在 MSCFD 和 MTCFD 任务上的跨域诊 特分布特性，性能提升有限。集成多目标跨域迁移
断 精 度 分 别 如图 8 和 9 所 示 。 在 MSCFD 任 务 中 ， 策略的 MTDAN 和 RDSAN 实现了一定性能改进，分
MMD、DANN 和 JMMD 等方法通过融合多源域数据 别取得 97.68% 和 92.98% 的平均诊断精度。相比之
解决多源域迁移问题，但直接在共享特征空间中对 下，所提方法有效放宽了对域标签可用性的假设，在
存在分布差异的多源域进行强制对齐，可能引发源 4 项多目标任务中取得 97.37% 的平均诊断精度，虽

域间的干扰，导致诊断性能下降。MSDAN 和 MDFAN 略低于 MTDAN，但避免了多目标域适配策略设计的
通过学习并融合多源诊断知识一定程度上缓解了这 复杂性，且无需依赖目标域标签信息，在工业场景中
一问题，平均精度均超过 97%。但这类方法性能高 更具部署灵活性。

度依赖域标签的可用性，需要明确区分每个样本所 3.4.2 特征可视化结果分析
属的源域，这在实际工业场景中往往难以满足，限制 为深入评估不同方法的跨域迁移诊断性能，本