中科院一区Top论文学习|基于两阶段更新数字孪生的轴承剩余寿命预测

本期给大家推荐的文章是《平衡差异性与一致性：单域泛化故障诊断方法研究》。本文以当前对于单域泛化故障诊断方法研究过程中的局限性为切入点，提出一种建模“差异性—一致性”对抗交互机制的单域泛化故障诊断框架。论文基本信息论文题目：Balancing Discrepancy and Consistency:Adversarial Single Domain Generalizationin Fault Diagnosis论文期刊：IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS论文日期：2025年作者：Guowei Zhang , Xianguang Kong , Qibin Wang , Jingli Du , and Hongbo Ma机构： College of Mechanical and Electrical Engineering, Xidian University, Xi’an 710071, China; State Key Laboratory of Electromechanical Integrated Manufacturing of High-performance Electronic Equipments, Xidian University,Xi’an 710071, China 第一作者简介： 张国伟，西安电子科技大学机电工程学院博士研究生，新加坡国立大学联合培养博士。研究聚焦于旋转机械智能故障诊断与跨域泛化建模，致力于提升诊断模型在复杂工业环境中的鲁棒性与实用性。以第一作者或通讯作者在IEEE TII、MSSP等国际权威期刊发表SCI论文10篇。入选首届中国科协青年人才托举工程博士生专项计划，曾获国家奖学金等多项荣誉。目录摘要 1 引言 2 问题定义 2.1 基于SDG的故障诊断问题建模 2.2 训练目标与理论动机 2.2.1 基于分布扰动的鲁棒学习 2.2.2 领域自适应理论的泛化保证 2.2.3 对抗结构设计的稳定性分析 3 所提出方法 3.1 基于域差异感知的可学习统计扰动 3.2 一致性引导的协方差与语义对齐 3.3 训练与推理流程 4 实验验证 4.1 数据集介绍 4.2 实验设置 4.2.1 参数配置 4.2.2 对比方法 4.2.3 评估指标 4.3 结果与讨论 4.3.1 主要结果分析 4.3.2 消融实验分析 4.3.3 计算开销评估 5 结论 摘要单域泛化（Single-domain Generalization, SDG）故障诊断旨在仅利用单一工况下的数据训练模型，使其具备在未知工况下的推广能力。尽管该策略具有良好的应用前景，但仍面临诸多挑战。现有研究主要通过生成新域特征以扩展数据分布，并提取域不变特征，然而在实践中存在三方面问题：（1）域扩展与域不变特征提取相互独立，限制了两者的协同作用与泛化能力；（2）域扩展过程常采用随机或方向不一致的增强策略，易引入噪声或产生不可靠特征；（3）域不变特征提取方法多侧重于全局或类别层面对齐，忽略了特征间关系的优化。为此，本文提出一种基于差异性与一致性对抗交互的SDG故障诊断框架，通过反复对抗训练动态平衡域间差异性与一致性，避免模型泛化受单向偏差影响。具体而言，设计了一个可学习的统计特征扰动模块以感知域间差异，引导模型生成能有效表征域差异的统计扰动，从而提升域扩展的可靠性。此外，提出协方差对齐与语义对齐策略，在原始特征与扰动特征之间保持全局及类别层面的一致性。协方差对齐用于减缓扰动特征引入的风格变化，并保留关键诊断信息，显式语义约束则进一步提升模型预测结果的一致性。最后，本文在五个公开数据集上开展大量实验，验证所提方法的有效性。1 引言随着工业领域加速迈向智能制造，设备智能化程度和运行标准不断提升。旋转机械作为关键组成部分，其运行需满足更高的可靠性与安全性要求。在此背景下，人工智能，尤其是深度学习，成为智能设备健康管理的重要技术手段，广泛应用于状态监测、故障诊断和剩余寿命预测等任务中，具备自动特征提取、模式识别鲁棒性强、预测建模精度高等优势。早期的智能故障诊断研究主要依赖于在固定工况下的监督学习，假设训练与测试数据分布一致。然而，在实际工业场景中，设备运行常伴随负载、转速及环境条件变化，导致数据分布发生偏移，严重影响模型的诊断性能。 为应对上述问题，领域自适应（Domain Adaptation, DA）方法被提出，用于将标注源域的诊断知识迁移至无标签但相关的目标域，通过对齐特征分布实现跨域泛化。尽管DA方法在跨工况故障诊断中取得一定进展，但通常依赖于训练阶段访问目标域数据，这一假设限制了其在工业场景中的应用价值。图1 不同领域泛化故障诊断方法流程对比图为摆脱对目标域数据的依赖，领域泛化（Domain Generalization, DG）故障诊断方法提出在训练阶段引入多个源域数据，使模型具备迁移至未知目标域的能力，如图 1(a)所示。此类方法主要分为两类：一类通过数据增强提升样本多样性，另一类从多域数据中提取域不变特征。总体来看，传统DG方法多依赖于来自多个源域的故障数据，但在实际工业中，多源故障数据往往难以获取，难以满足多源域泛化方法的训练需求。 近年来，单域泛化（Single-domain Generalization, SDG）故障诊断方法受到广泛关注，其核心在于无需多源训练数据，仅基于单一源域完成对多个未知目标域的故障识别。这一策略大幅降低了模型训练与部署所需数据量，缓解了工业场景中普遍存在的数据匮乏问题。因此，工业用户可在无需大量数据采集的前提下，快速部署智能诊断系统，降低应用成本并简化系统结构。目前，SDG 故障诊断研究主要通过数据或特征增强扩展源域分布，并结合域不变特征提取策略。Wang 等人提出风格补全模块，通过生成多样化分布样本提升模型泛化能力，缓解了SDG场景中目标样本分布不足的问题。Zhao 等人提出基于对抗互信息的SDG网络，通过生成与源域差异较大的伪目标域，提升模型泛化能力，有效缓解未知域偏差问题。Wang 等人提出多尺度风格生成与对抗对比网络，通过域生成模块构造多样化扩展域样本，并结合多尺度卷积与风格学习策略提取域不变特征，实现单一工况下的泛化诊断。Zhang等人构建伪目标域以模拟域偏差，推理域偏差原因并执行自适应迁移，解决了现有方法对源域与目标域偏差估计不足的问题。Li 等人提出基于域扩展融合的SDG框架，通过域扩展模块、双分支特征融合网络、多分类器状态识别模块以及对抗对比训练策略，在未知工况下提升故障诊断的鲁棒性与准确性。Jiang 等人提出基于不确定性自举的对抗增强域网络，通过生成模块与跨域辅助模块构建增强域，结合对抗训练与不确定性估计，解决了SDG场景下未知故障模式识别与跨域诊断的问题。如图1(b)所示，为应对更具挑战性的SDG任务，当前方法普遍采用数据或特征增强技术提升样本多样性，并结合域不变特征提取以提升泛化能力。尽管相关研究取得显著进展，但当前SDG方法仍面临三项关键挑战：现有方法普遍将域扩展与域不变特征提取视为两个相互独立的过程，实质上将SDG问题转化为多源域泛化问题。尽管此类方法在一定程度上提升了模型的泛化能力，但两阶段之间联系薄弱，限制了整体框架的协同效能。在实际工业环境中，设备运行条件（如负载、转速及环境因素）往往呈现不可预测的动态变化，现有方法未能充分挖掘潜在域迁移带来的多样性，导致模型整体泛化性能受限。多数方法在进行域扩展时，通常采用随机扰动方式，或刻意增强与源域分布的差异性。然而，这并不能确保生成特征与目标域内在分布保持一致。此外，增强方向缺乏可控性，难以实现特征学习的有效优化。传统域不变特征提取方法多基于距离度量或对比学习，但往往忽略了全局分布对齐与类别层面特异性之间的交互关系。尤其是全局对齐过程可能引入无关或误导性特征，导致与任务相关的关键信息丢失，影响诊断准确性。 为应对上述限制，源于对抗学习思想的对抗训练策略，已成为无监督领域自适应中提升模型泛化能力的重要手段。对抗式领域自适应方法通过极小极大优化过程对齐不同域间的特征分布，实现域不变表示的学习。同时，对抗式数据增强策略利用对抗扰动构建虚拟目标域分布，以提升模型在域偏移情形下的鲁棒性。受此启发，本文将SDG问题建模为“差异性–一致性”之间的对抗优化过程，如图1(c)所示。首先最大化原始特征与扰动特征分布之间的差异性以模拟多样化的域偏差，随后引入一致性引导下的协方差与语义对齐机制，增强模型预测的稳定性。通过差异性与一致性之间的对抗训练，逐步提升模型的泛化能力。上述机制协同作用，有效增强模型在工业应用中的可靠性与鲁棒性。本文的主要贡献如下： 提出一种建模“差异性–一致性”对抗交互机制的SDG故障诊断框架。该框架借助对抗训练思想，在迭代优化过程中动态平衡域间差异性与一致性，有效缓解单向泛化偏差问题。模型能够逐步学习更加稳健且具判别性的特征表示，保障在复杂多变工况下的诊断精度与稳定性，为工业场景中运行条件频繁变化的智能诊断系统部署提供切实可行的解决方案。设计一个可学习的统计扰动模块（Learnable Statistical Perturbation, LSP），用于建模域间差异感知。该模块引导模型学习能反映工况变化的统计扰动特征，有效捕捉工业设备在不同工作环境下的域特异性属性。与传统固定增强策略相比，所提模块基于域特异性距离度量生成更具针对性和目标导向的扰动，从而提升特征增强的可控性与相关性。提出一种一致性引导下的协方差与语义对齐策略，用于有效解耦域间变化与语义特征之间的耦合关系。该策略在表示层面对原始样本与增强样本的全局特征分布进行对齐，既保留关键诊断信息，又缓解特征扰动带来的风格变化。同时引入显式语义约束，进一步提升模型预测结果的一致性与稳定性。2 问题定义2.1 基于SDG的故障诊断问题建模在故障诊断场景下，单域泛化任务可表述为从输入数据 到预测标签 的映射学习，其中 来自单一源域 。设 为模型集 合，训练数据 服从源域分布 ，目标是从中学习到一个模型 ，使其能够在未知目标域分布 上具备良好的泛化能力。因此，SDG 可形式化为如下优化问题： 其中， 表示交叉熵损失函数， 表示在目标域分布上的期望风险。由于SDG故障诊断的主要挑战在于无法获取目标域分布 ，因此经验风险最小化（Empirical Risk Minimization, ERM）成为求解式1的基本策略，其通过最小化源域数据上的平均误差来训练模型： 其中， 表示训练集的经验分布。然而，已有研究表明，基于ERM的训练方法在泛化场景下表现出较差的鲁棒性，领域自适应理论指出，其根本原因在于源域训练风险与源目标域之间的分布差异。2.2 训练目标与理论动机为克服前述问题，受对抗式数据增强研究启发，本文将 SDG 问题建模为“差异性–一致性”之间的对抗优化过程。 其中， 表示由扰动函数 对源域潜在特征生成的虚拟目标域分布， 与 分别为源域特征与虚拟目标域特征， 表示两组特征的对齐损失， 为扰动强度的超参数。然而，从实践角度看，如何选择合适的域偏移幅度 具有挑战性，因此我们引入拉格朗日松弛形式，将其转化为如下优化目标： 其中， 表示概率分布空间中的距离度量， 为惩罚因子，用于控制扰动的幅度。从式4可见，该优化目标旨在最大化源域与虚拟目标域间的分布差异，同时最小化模型在目标分布上的风险。式4所定义的训练目标建立在两个经典理论基础之上：分布鲁棒优化理论与领域自适应泛化界理论。下文从三个方面对该目标函数的理论基础与结构设计进行解释。2.2.1 基于分布扰动的鲁棒学习为克服式2中 ERM 策略的局限性，本文引入分布鲁棒优化思想。参考Sinha等人之前研究，我们考虑所有位于以源域分布 为中心、半径为 的Wasserstein球体内的扰动分布集 合 ，其鲁棒优化目标可表示为： 其中， 表示在距离度量 下，从 出发半径为 的可接受分布集 合。为实现可行的优化，本文采用扰动函数 对源域进行变换以构造虚拟分布 ，并通过拉格朗日松弛策略引入正则项 ，从而得到式4的优化形式。该策略通过最小化潜在最坏情况下的预测风险，使模型在不同形式的域偏移下具备更强的鲁棒性与泛化能力。2.2.2 领域自适应理论的泛化保证从领域自适应理论角度出发，本文目标函数亦符合中提出的泛化上界理论。该理论指出目标域误差可由以下上界描述：其中， 与 分别为假设 在目标域与源域上的分类误差； 为源域与目标域在假设空间 下的 -距离，衡量两域分布差异； 表示源-目标共同最优假设下的不可约误差。该上界表明，若欲降低目标域误差，不仅需减少源域经验误差 ，亦需控制源目标域间的分布差异。由于 SDG 场景下无法访问真实目标域 ，本文采用虚拟目标域 近似代替，并在式4中引入特征对齐项 ，以缓解源域与扰动域之间的语义偏移。2.2.3 对抗结构设计的稳定性分析尽管式4中采用了极小极大的对抗优化结构，其并非典型生成对抗网络（GAN）式动态博弈模型。本文采用固定结构分支引入扰动，仅对浅层特征进行扰动变换，而深层特征则保持与原始流一致，并实施特征对齐。该结构实现了扰动生成与优化过程的解耦，有效规避了对抗优化过程中常见的不稳定性问题，从而实现了具有结构约束的稳定对抗优化目标。综上所述，式4所构建的训练目标在分布鲁棒性与领域泛化理论的指导下，统一引入分布扰动与特征一致性约束，使模型在单域条件下具备对未知目标域的良好泛化能力。下节将进一步分析式4中各组成部分的具体损失函数设计。首先，为增强源域与虚拟目标域之间的分布差异性，提出一种基于域差异感知的统计扰动机制。该机制不同于传统的样本级生成策略，而是在潜在空间中基于可学习的统计特征引入扰动。其次，为确保源域特征与其扰动版本之间的语义一致性，进一步引入一致性引导的协方差与语义对齐策略。该策略在缓解风格差异的同时，通过显式语义约束提升模型预测结果的一致性。由于源域与虚拟目标域的构造需满足式4所定义的结构，本文采用如图2所示的双流网络结构实现，该结构将在后文详细介绍。图2 通过差异性与一致性对抗机制实现的智能故障诊断 SDG 流程图图3 基于域差异感知的可学习统计扰动模块示意图3 所提方法3.1 基于域差异感知的可学习统计扰动在对抗式 SDG 框架（式4）基础上，本节首先设计用于域差异感知的可学习统计扰动模块（Learnable Statistical Perturbation, LSP）。其具体实现过程如图3所示。已有先前研究表明，通过扰动网络浅层中实例归一化后的仿射变换的均值与方差，可有效模拟域偏移，同时保留类别判别信息。设浅层特征表示为 ，其中 与 分别表示样本通道维度上的均值与标准差： 由于特征统计量编码了与域相关的信息，AdaIN（Adaptive Instance Normalization）方法通过将源域特征 的统计量替换为目标域特征 的统计量，以实现域风格迁移： 然而在 SDG 场景下，目标域特征统计量无法获取，成为建模过程中的关键难点。部分研究尝试通过线性插值或不确定性建模方式增强统计多样性，虽在一定程度上提升了泛化能力，但往往存在特征扰动空间探索不足、结构不明确等问题。为此，本文提出基于可学习统计偏移的 LSP 模块，生成统计可靠的伪目标域特征： 其中， 与 分别为可学习的均值与标准差偏移项。该模块克服了传统扰动策略的局限性，能够更有效地扩展原始特征与扰动特征之间的分布差异。鉴于对抗式 SDG 的关键目标在于最大化源域与虚拟目标域之间的分布差异，需引入合适的域感知距离度量引导模型学习合理的统计特征。先前研究表明，网络浅层特征主要捕捉风格信息，虽具有域相关性但与故障类别弱相关。受之前研究启发，深层协方差对齐（CORAL）可通过对齐源/目标域的二阶统计量降低域偏移。因此，本文利用协方差刻画网络浅层特征中的域差异性。整体网络由一系列顺序特征提取器 和一个分类器 构成，其结构可表示为： 其中 表示特征提取器的总层数。我们从浅层特征提取器中计算出一组协方差矩阵 ，并定义用于域差异感知的统计扰动损失为： 其中， 为特征向量维度， 表示矩阵的 Frobenius 范数平方， 为用于计算扰动损失的网络层数。 与 分别表示原始分支与扰动分支特征提取器， 为协方差矩阵计算操作，具体定义如下： 其中， 表示元素为1的列向量， 表示转置操作， 为样本数。3.2 一致性引导的协方差与语义对齐图4 一致性引导的协方差与语义对齐模块示意图延续对抗式 SDG 的建模思想（式4），另一项关键优化目标是在特征与语义层面对源域与虚拟目标域进行对齐。其具体实现过程如图4所示。为增强模型的一致性，我们从域特征与语义预测两个维度出发，对两个子网络进行对齐设计。在域级特征对齐方面，通过对浅层特征施加可学习统计扰动以模拟域偏移。然而，常用的对抗式学习或基于距离的对齐方法常存在训练不稳定或关键信息丢失的问题 。受实例白化（Instance Whitening）方法启发，去除对域变化敏感的协方差分量有助于提取域不变特征。因此，本文采用协方差对齐（Covariance Matching, CM）策略，在保留关键任务信息的同时，降低域偏移影响。具体地，分别计算原始特征与扰动特征的非中心协方差矩阵： 其中， 和 分别表示原始与扰动特征的非中心协方差矩阵，用于表征其二阶统计特性。通过最小化二者之间的 距离，实现协方差匹配以对齐两子网络： 尽管 CM 能在一定程度上对齐原始与扰动特征的整体分布，但未显式建模两者之间的直接关联。为此，本文进一步引入成对一致性损失（Pairwise Consistency, PC），通过交叉协方差矩阵刻画原始与扰动特征之间的一致性： 鉴于原始与扰动特征应保留相同的任务相关信息，理想情况下其交叉协方差矩阵应接近单位阵。因此，PC 损失通过约束该矩阵的对角元素接近1来保证特征表达的一致性： 其中， 表示提取交叉协方差矩阵的对角元素组成的列向量， 表示元素全为1的向量。在语义对齐方面，期望模型在嵌入空间中能够对具有相同语义标签的样本进行聚类，从而确保语义一致性。为此，本文采用最大化原始与扰动特征输出之间互信息（Mutual Information, MI）的方法，以保持语义表达一致性。互信息 定义为： 其下界可表示为： 其中， 为判别函数（critic function）。尽管直接最大化该下界有助于增强语义一致性，但可能抑制同类样本间的共享信息。为此，引入监督对比损失（Supervised Contrastive Loss, SCL），以显式增强同标签样本之间的互信息： 其中， ， 表示与第 个样本类别一致的所有原始与扰动特征的输出集 合， 为温度系数。 此外，为进一步提升两子网络之间的语义一致性，最小化两分支网络的交叉熵损失： 3.3 训练与推理流程本文所提方法采用双分支网络结构，并通过交替训练的方式进行优化，训练过程分为两个阶段。在第一个阶段，执行一致性引导的协方差与语义对齐，以在源域与虚拟目标域特征之间保持全局与类别层面的一致性，从而在降低域间差异的同时保留任务相关信息。此外，引入显式语义约束以提升模型预测的稳定性与准确性。该阶段的损失函数定义如下： 其中， 、 和 分别为对应损失项的超参数权重。在第二个阶段，引导 LSP 模块在潜在特征空间中建模域间差异，生成更加多样且可靠的特征分布，以增强模型对域偏移的感知能力。其损失函数如下： 其中， 为域差异建模损失的超参数。最终，SDG 故障诊断通过上述两个阶段的交替对抗训练实现模型优化。在推理阶段，仅使用基于统计扰动特征训练得到的子网络进行预测，因为扰动特征有助于缓解域偏移对模型性能的影响。4 实验验证4.1 数据集介绍为全面评估所提 SDG 框架在故障诊断任务中的有效性，本文在五个具有代表性的旋转机械基准数据集上开展实验，覆盖多种运行工况与健康状态。数据集详情如下所示：帕德博恩大学（PU）数据集：该数据集包含 2100 条轴承振动样本，采集于三种运行工况（C1: 1500 RPM, 0.7 Nm, 400 N；C2: 1500 RPM, 0.1 Nm, 1000 N；C3: 900 RPM, 0.7 Nm, 1000 N）下的七种健康状态，每条样本包含 2048 个时域数据点，采样频率为 64 kHz。华中科技大学（HUST）数据集：该数据集包含 2100 条样本，覆盖三种运行工况（70 Hz、75 Hz、80 Hz）和七种健康状态（健康、内圈中/重度故障，外圈中/重度故障，滚动体中/重度故障），每条样本含有 2048 个时域数据点，采样频率为 25.6 kHz。北京工业大学（BJUT）数据集：该数据集采集自行星齿轮箱，在三种转速（1800、2100、2400 RPM）下记录了 3000 条样本，涵盖损齿、齿面磨损、齿根断裂和缺齿等四种故障模式，每种状态包含 200 条样本，采样频率为 48 kHz。山东科技大学（SDUST）数据集：该数据集包含 6000 条样本，覆盖三类故障位置、三个故障程度，共 10 种健康状态，采样于 2000、2500 和 3000 RPM 三种转速下。每条样本均包含 2048 个时域数据点，采样频率为 12.8 kHz。真实工厂轴承（RFB）数据集：该数据集来自工业生产线，包含 2400 条真实故障轴承样本，涉及四种状态（健康、滚动体缺失、纱卡、滚针偏移）与三种转速（100、200、300 RPM）。采样频率为 20.48 kHz，每条样本包含 2048 个时域数据点。4.2 实验设置4.2.1 参数配置所用特征提取器为五层卷积神经网络（CNN），后接两层全连接分类器。模型的学习率设为 0.0005，迭代轮数为 300，批次大小为 40。输入信号经快速傅里叶变换（FFT）转化为频域表示，未额外进行去噪或归一化处理。LSP 模块部署于 CNN 的前两层，其超参数设置为 -1； 和 部署于第三层，对应超参数分别为 10 和 1； 部署于分类器输出端，超参数设为 0.1。4.2.2 对比方法本文方法与多个现有主流 SDG 方法进行了性能对比，具体包括：基线模型：使用本文所构建的 CNN 结构，但不引入任何泛化策略。 先进 SDG 方法：包括 MEADA 、L2D、AMINet、MSG-ACN、ACL和 DEFSDG。4.2.3 评估指标在 SDG 故障诊断任务中，从一个运行工况中选取数据作为源域用于训练，其余工况数据作为目标域用于测试。为全面评估模型性能，采用分类准确率（Accuracy）、宏平均召回率（Macro Recall）和宏平均 F1 分数（Macro F1 Score）作为评估指标。准确率定义如下： 其中，正确预测样本数为模型预测结果与真实标签一致的样本数量，分母为测试集中样本总数。宏平均召回率表示对各类召回率求平均，具体定义为： 其中， 表示类别总数， 与 分别为第 类的真正例与假负例数。宏平均 F1 分数结合了精度与召回率，定义如下： 其中， 和 分别表示第 类的精度与召回率。4.3 结果与讨论4.3.1 主要结果分析表1至表5展示了在五个基准数据集上的 15 个领域泛化故障诊断任务中，本文方法与现有典型 SDG 方法的诊断性能对比结果。表头中的“S”表示每个泛化任务所使用的源域。所有任务均重复运行五次，并报告主要性能指标的平均值与标准差。 首先，可以观察到，基线 CNN 模型在所有任务中性能最差，表现出较弱的泛化能力。其次，与基线模型相比，多个先进的 SDG 方法在诊断性能上均取得显著提升，这主要得益于它们在训练中引入了数据增强、特征多样化策略，并融合了域泛化机制，从而增强了模型的特征表示能力。最后，在大多数实验设置下，本文方法在准确率、宏平均召回率和宏平均 F1 分数三项指标上均显著优于现有方法，且表现出更小的标准差，充分验证了所提方法在工业诊断任务中的鲁棒性与泛化能力。 为直观验证本文方法在缓解域偏差方面的有效性，我们在 HUST 数据集上设计了一个泛化任务（源域：70 Hz，目标域：75 Hz）。将不同方法学习到的源域与目标域特征表示通过 t-SNE 降维至一维后，采用核密度估计（KDE）进行可视化，所得密度曲线可用于评估两个域特征分布的重叠程度，从而判断其相似性。结果如图5所示。 由图可见，基线模型所学习的源域与目标域特征之间存在显著分布差异，主要由于其未能有效缓解源目标域之间的数据分布不一致问题。其他典型 SDG 方法（如 L2D、AMINet、MSG-ACN、DEFSDG）通过特征生成和域不变特征学习在一定程度上缓解了分布偏差。而本文方法通过交替执行扰动特征生成与域不变特征学习，更有效地优化了域对齐过程，最终在分布重叠程度上优于其他方法，表现出更强的特征泛化能力。 表1 不同方法在PU 数据集泛化任务中的结果对比表2 不同方法在HUST 数据集泛化任务中的结果对比 图5 不同方法在源域与目标域中的特征分布可视化：(a) CNN，(b) L2D， (c) AMINet，(d) MSG-ACN，(e) DEFSDG，(f) 本文方法 表3 不同方法在BJUT 数据集泛化任务中的结果对比表4 不同方法在SDUST 数据集泛化任务中的结果对比表5 不同方法在RFB 数据集泛化任务中的结果对比 4.3.2 消融实验分析为分析所提方法中各个模块的作用，表6给出了在五个数据集上不同消融策略下的诊断准确率（%）对比结果。表中 Method 1 至 Method 4 分别对应具体的模块组合策略。 从表中可观察到：与基线模型相比，Method 1 引入 LSP 模块后，模型能够探索更广泛的潜在域空间，显著提升了其泛化能力。Method 1、2 和 4 的对比表明，无论是增强协方差对齐，还是语义对齐，都能明显提升泛化准确率。此外，Method 3 与 Method 4 的对比结果表明，将协方差匹配与成对一致性联合使用，可有效抑制风格特征干扰，进一步改善模型的泛化性能。 最终，本文方法在整合全部模块的基础上，在五个数据集上均取得最佳性能，说明各模块协同优化对于提升故障诊断准确性具有重要作用。 表6 不同方法在各类数据集泛化任务中的结果对比为进一步验证各模块策略在 SDG 故障诊断中的有效性，本文在 HUST 数据集上进行泛化任务，并采用 t-SNE 将不同消融方法所得源/目标域特征降维为二维后进行可视化，结果如图6所示。图中使用不同颜色表示不同健康状态，不同形状表示不同域，以便于理解。图6 在HUST 数据集上不同消融设置下的特征表示二维可视化：(a) 基础 模型，(b) M1，(c) M2，(d) 本文方法图7 在不同协方差对齐策略下双流网络学习的特征协方差矩阵对比 首先，如图6(a) 所示，在基线模型下，源域与目标域特征高度重叠，类别边界模糊。引入 LSP 策略后（图6(b)），源/目标域特征间分布距离明显扩大，表明该策略能够有效引入域差异性。进一步引入协方差对齐（图6(c)）后，源/目标域特征间距离缩小，域偏差得到缓解。当加入语义对齐策略后（图6(d)），同一类别的特征在源域与目标域中形成更加紧密的聚类。 为验证所提协方差对齐策略的有效性，图7展示了在不同对齐策略下，双流网络学习到的特征协方差矩阵对比。基线网络中的协方差矩阵差异明显，对角特征几乎无法分辨；引入协方差匹配策略后，矩阵整体更趋一致，但对角信息仍不明显，表明虽然实现了原始与扰动特征的整体对齐，但存在信息丢失风险。引入成对一致性后，对角特征增强，保留了部分任务信息，但矩阵仍存在不一致；联合两种策略后，不仅实现了矩阵结构的一致性，还保留了清晰的对角线特征，实现了原始与扰动特征在保留关键信息基础上的有效对齐。图8 模型第一层中原始与可学习扰动特征统计量在不同训练迭代下的对比图9 模型第一层中原始与扰动特征的可视化对比：（a）10 次迭代，（b）30 次迭代，（c）60 次迭代图10 基线模型与本文方法在不同数据集上的混淆矩阵对比：(a) HUST，(b) SDUST，(c) PU，(d) RFB，(e) BJUT 为直观展示模型如何学习统计特征的变化，图8展示了第一层卷积中 16 个通道在不同训练阶段的统计量变化。图中蓝色条表示原始特征的均值与方差，黄色条表示扰动特征。在第 10 次迭代时，两者差异较小；到第 30 次迭代，部分通道出现明显偏移；第 60 次迭代时，多个通道在均值与方差上差异显著，说明扰动特征逐步扩大了统计空间的分布差异。 进一步，图9利用 t-SNE 对上述原始与扰动特征进行可视化。图中不同颜色表示不同类别，不同形状区分原始与扰动特征。从结果可见，初期（10 次迭代）原始与扰动特征基本重合；随着训练推进，它们之间的分布距离逐渐扩大，体现出模型构造的域差异性增强。 图10展示了基线模型与本文方法在五个数据集上的混淆矩阵对比。可以看出，本文方法在所有数据集上均显著降低了误分类情况，提升了故障可分性。其中，HUST 与 SDUST 数据集中的分类混淆显著减少；而在 PU 数据集中，第四类故障的识别仍具挑战性，但本文方法在该类上也优于基线模型；在 RFB 与 BJUT 数据集上，本文方法相较基线模型展现出更强的泛化能力与诊断鲁棒性。4.3.3 计算开销评估表7 不同方法在模型复杂度与推理效率方面的对比表7对比分析了不同代表性方法在模型复杂度与推理效率方面的差异。评估指标包括参数量（Params）、浮点运算次数（FLOPs）、推理时间、内存占用与单样本能耗，旨在反映模型在实际部署中处理每个样本的资源开销。所有指标均在 Jetson Nano 平台上进行测量，推理批次大小设为 1，以模拟典型边缘设备的应用场景。内存使用表示模型在单样本推理过程中的运行时内存占用，单样本功耗为处理一个样本所需的平均能量。 从表中可见，本文方法在保持准确性的同时具备良好的计算效率，参数量为 16.34M，FLOPs 为 21.18M，平均推理时间仅为 31.27 ± 0.72 毫秒，内存占用为 73.24 MB，单位样本功耗为 0.15 W，展现出极低的部署开销。与 ACL 与 DEFSDG 等多分支设计方法相比，本文方法在推理成本方面具有显著优势。 值得注意的是，MEADA、L2D、AMINet 及 MSG-ACN 等方法虽在训练阶段引入样本生成策略，但其推理阶段结构与本文方法保持一致。因此，本文在表7中省略了这些方法，以避免冗余对比。结论本文针对工业设备的故障诊断任务，提出了一种基于单域泛化（SDG）的诊断方法，利用差异性与一致性的对抗建模机制提升模型在复杂工况下的泛化能力。该方法在浅层特征空间引入可学习统计扰动（LSP），主动模拟由负载、转速等运行条件变化引起的域偏移，从而增强模型对环境变化的鲁棒性与适应性。此外，结合协方差对齐与语义一致性对齐策略，从全局与类别层面对原始特征与扰动特征进行对齐，有效提升了模型在多变工业场景下的预测稳定性与一致性。为验证所提方法的实际效果，本文在五个典型旋转机械数据集上开展了系统实验，主要结论如下：所提方法在准确率、宏平均召回率和宏平均 F1 分数等指标上显著优于现有主流 SDG 方法，验证了其在工业相关泛化场景下的诊断可靠性；LSP 模块在潜在特征空间中显式模拟统计扰动，使模型能够更有效地捕捉复杂工况下可能出现的域偏移。与传统的随机扰动方式相比，LSP 提供了更具可控性和泛化性的分布建模能力，展现出良好的工业应用潜力；协方差对齐机制有效抑制风格特征干扰，语义对齐策略进一步增强了故障类别识别的稳定性，使该方法尤为适合部署于高动态变化的工业现场环境。需要指出的是，本文方法假设训练域与目标域在潜在空间中存在共享结构，在面对严重分布偏移时仍存在泛化失效的风险。为缓解该问题，可结合数字孪生技术与高保真仿真生成物理先验增强数据，从而提升训练数据多样性与模型适应性。此外，本文方法主要基于浅层网络中的统计特征建模，对于复杂域偏移的表达能力仍有限。未来可进一步探索高阶统计量、协方差结构或深度生成模型，以提升模型对复杂领域间差异的感知能力和跨域泛化性能。编辑：曹希铭校核：李正平、陈凯歌、赵栓栓、赵学功、白亮、任超、Tina、陈宇航、海洋、陈莹洁、王金、赵诚、肖鑫鑫该文资料搜集自网络，仅用作学术分享，不做商业用途，若侵权，后台联系小编进行删除来源：故障诊断与python学习