一种基于Transformer的新型局部增强通道自注意力机制在工业剩余使用寿命预测中的应用

本期给大家推荐一区TOP期刊RESS的论文。为解决在未知工况下基于域适应的方法对旋转机械进行的剩余使用寿命预测需要在训练期间访问目标域数据的实际应用局限性。文章提出了一种面向机械可靠RUL预测的特征-预测双空间域泛化框架。该框架通过一种贝叶斯正则化随机特征分布扩展方法在潜在空间中产生受控的随机扰动，在保持退化一致性的同时扩展特征分布。此外，设计了一种结构一致性损失来正则化预测行为，以保持长期退化趋势、减轻预测偏差并抑制局部波动。并在齿轮和轴承全寿命数据集上对提出方法的有效性进行了验证。论文基本信息论文题目： Feature-prediction dual-space domain generalization framework for reliable RUL prediction of machinery 论文期刊：Reliability Engineering and System SafetyDOI：https://doi.org/10.1016/j.ress.2026.112510作者：Xuegang Li a,b, Yuanyue Pu a,b, Huajun Cao a,b, Xiaoxi Ding a,b, Wenbin Huang a,b,* 论文时间: 2026年 机构: a State Key Laboratory of Mechanical Trans mission, Chongqing University, Chongqing 400044, China b College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044, China作者简介：黄文彬，教授、博士生导师，重庆市杰青，重庆市英才计划青年拔尖人才，重庆市巴渝青年学者，重庆市海外高层次人才，机械工业智能轴承技术与系统实验室副主任。研究团队主要面向重大机械装备服役状态智能监测需求，从事智能感知与自供电、端边云协同智能嵌入式系统等领域的研究，承担了科技部重点研发青年科学家项目、国家自然科学基金重点、面上等10余项国家级科技项目，与华为、中船、兵器、航发、英特尔、天马等多家行业龙头骨干企业产学研合作，荣获国防科技进步一等奖、中国机械工业技术发明二等奖等。在Nature Materials/AFM/IEEE TII/MSSP/AEI/APL等国际顶级期刊发表学术论文100余篇，其中一作/通讯70篇，JCR Q1期刊60篇，自然指数期刊9篇，IEEE汇刊33篇，WOS被引3400余次；出版英文专著2部；授权发明专利20项。 通讯作者邮箱：whuang@cqu.edu.cn摘要在未知工况下对旋转机械进行可靠的剩余使用寿命（RUL）预测对于确保安全运行至关重要。然而，现有的基于域适应（DA）的方法需要在训练期间访问目标域数据，这限制了它们的实际应用性。为解决这一问题，本研究提出了一种面向机械可靠RUL预测的特征-预测双空间域泛化（FPDDG）框架。具体而言，一种贝叶斯正则化随机特征分布扩展（BFDE）方法在潜在空间中产生受控的随机扰动，在保持退化一致性的同时扩展特征分布。此外，设计了一种结构一致性损失（SCL）来正则化预测行为，以保持长期退化趋势、减轻预测偏差并抑制局部波动。在齿轮和轴承全寿命数据集上的实验结果表明，FPDDG框架优于现有最先进的方法，在齿轮数据集上RMSE和MAE分别至少降低15.3%和13.27%，在轴承数据集上分别降低6.33%和12.74%。关键词：旋转机械；域泛化；未知工况；剩余使用寿命预测目录1 引言2 方法2.1 问题定义2.2 总体方法2.3 贝叶斯正则化随机特征分布扩展2.4 结构一致性损失2.5 总体优化目标3 案例研究3.1 数据描述3.2 实施细节和比较方法3.3 数据集A的实验结果和比较分析3.4 数据集B的实验结果和比较分析3.5 讨论4 结论1 引言在智能和预测性维护需求的驱动下，对旋转机械（如齿轮和轴承）关键部件进行可靠的剩余使用寿命（RUL）预测对于确保系统安全和减少意外停机至关重要[1]。然而，这些部件经常在高度可变和复杂的工况下运行，这显著改变了它们的退化行为和剩余寿命[2]。因此，稳健的RUL预测对于向主动维护过渡并最大化工业系统的可靠性至关重要[3]。数据驱动方法，特别是深度学习（DL），由于其强大的非线性特征提取能力，近年来在RUL预测中取得了显著成效[4]。各种先进的深度学习架构已成功应用于该领域[5]。例如，Magadan等人[6]集成了时频分析、堆叠变分去噪自编码器和双向长短期记忆网络，以实现精确的轴承RUL预测。Cen等人[7]利用特征序列注意力模块和多源信息融合，通过利用传感器和时间步长之间的交互来增强RUL预测。Truong等人[8]提出了一种贝叶斯正则化人工神经网络模型，以精确预测铣削刀具的磨损。尽管取得了这些成功，但大多数现有的基于深度学习的模型依赖于一个严格的假设，即训练数据和测试数据具有相同或高度相似的分布[9]。在现实世界的工业应用中，历史训练数据与部署的可变环境之间不可避免的分布偏移构成了一个严峻的挑战，严重限制了传统深度学习模型的泛化能力和鲁棒性[10-11]。为了解决变工况带来的挑战，许多研究引入了域适应（DA）方法，这些方法促进了知识从标记良好的源域到未标记目标域的迁移[12]。目前，基于DA的跨域RUL预测策略已被广泛探索[13]。例如，Wang等人[14]提出了一种由图结构数据增强的元学习网络，以支持不同工况下的RUL预测。Neijar等人[15]开发了对抗性DA方法，分别对齐不同操作阶段的边缘分布，以提高RUL预测精度。Kim等人[16]利用Fisher信息和结构正则化来减轻灾难性遗忘，实现了高效的切削刀具RUL预测。尽管在目标域数据可访问时有效，但这些基于DA的模型在部署到完全未知的目标域（无法事先收集数据）时往往无法泛化[17]。 域泛化（DG）通过从多个源域学习不变知识而不需要任何目标域数据，为这一限制提供了一个有前景的解决方案[18]。DG中的一个关键策略是数据增强，它扩大了训练样本的多样性并减轻了对特定工况的过拟合[19]。例如，Luu等人[20]将基于ResNet的自编码器与软演员-评论家算法相结合，以动态预测机械RUL。Xia等人[21]构建了一个域条件不变性和特异性解耦网络以解决域不平衡问题。Niazi等人[22]集成了时间变换器、ConvLSTM和多头自注意力机制以捕获时空依赖性，实现了精确的轴承RUL预测。尽管取得了这些进展，现有的基于DG的机械RUL方法仍然面临两个主要挑战。首先，当前的增强策略通常依赖于固定规则（例如，添加高斯噪声），这无法捕捉机械退化的非线性特性，并且可能扭曲生成轨迹的物理合理性。其次，许多模型依赖于逐点损失函数，忽略了数据中的时间和结构依赖性，常常导致波动大且有系统性偏差的预测。因此，迫切需要更有效的方法，同时在特征空间和预测空间中增强泛化能力。为解决这些挑战，本研究提出了一种新颖的用于未知工况下机械RUL预测的特征-预测双空间域泛化（FPDDG）框架。首先，提出了一种贝叶斯正则化随机特征分布扩展（BFDE）方法，该方法扰动特征表示以生成多样化但退化一致的变体。此过程扩展了域不变特征的分布范围，增加了与潜在未知域分布的重叠，从而增强了特征空间泛化。通过这种方式，所提方法克服了固定规则增强的局限性，并更好地反映了真实的退化动态。其次，设计了结构一致性损失（SCL），通过保持长期退化趋势、控制预测偏差和抑制局部波动来增强预测空间泛化，从而确保可靠性一致的RUL轨迹。通过结合BFDE和SCL，提出了一个新颖的FPDDG框架，通过联合改进域不变特征空间的重叠和预测空间的稳定性来增强泛化能力，并实现在未知工况下的可靠机械RUL预测。本研究的主要贡献总结如下：(1) 提出了一种BFDE方法，以扩展退化特征的多样性和重叠范围，并增强特征空间泛化。(2) 设计了SCL以增强预测空间泛化，并提高RUL预测结果的稳定性和可靠性。(3) 构建了一个新颖的FPDDG框架，用于在未知工况下实现机械的可靠RUL预测。本文的其余部分结构如下。第2节详细介绍了所提出的FPDDG框架。第3节介绍了实验细节和结果。最后，第4节对全文进行了总结。2 提出方法 本节详细描述了用于未见工况下机械RUL预测的所提FPDDG框架。它首先形式化了基于DG的RUL预测问题，然后介绍了整体方法论、BFDE方法和SCL。最后，概述了总体优化目标以指导模型训练并增强泛化性能。2.1. 问题定义令 为 个源域的集 合，其中每个域 是从同一类型机器（例如，具有相同规格的轴承或齿轮）但在不同工况（如载荷和转速）下收集的，即不同域之间样本的边缘分布通常不一致。对于每个域 ，它包含全寿命数据，形式为样本-标签对 ，其中 表示第 个源域中的样本数。每个 表示长度为 的一维时间序列片段，对应的标签 是与该时间序列相关联的RUL值。基于DG的机械RUL预测的目标是仅使用来自 的样本-标签对学习一个映射函数 ，使其能够很好地泛化到未知的目标域 ，其中 且在训练期间没有来自 的样本可用。由于分布差异 ，本文的核心目标是通过随机特征扰动和改进的预测损失，扩展从源域学习的退化行为特征分布的覆盖范围，从而增强模型 对未见域的泛化能力。给定一个随机特征扰动函数 ，对于每个输入 ，模型在其特征扰动变体 上进行训练。训练目标是最小化特征扰动变体上的预测损失： 其中 表示改进的预测损失函数。这种形式化确保模型从丰富且多样的退化模式中学习，使其能够有效地泛化到未见工况，而无需访问任何目标域数据。2.2. 整体方法本节概述了所提出的FPDDG框架，而BFDE、SCL和优化过程的具体公式和实现分别在第2.3-2.5节中给出。所提框架用于在未见工况下实现机械鲁棒RUL预测的整体过程分为五个主要步骤，下面进行描述，并在本节末尾的图1中进行了可视化总结。步骤1：数据预处理。使用可用的传感器设备（例如编码器或加速度计）收集原始传感器数据，随后根据工况分割为源域和目标域。然后构建健康指标以表征机械退化。FPDDG框架具有高度的灵活性，可以适应各种健康指标，如统计特征（脉冲因子、峰峰值）、能量熵或基于深度学习的虚拟指标。接下来，应用3σ准则[24]来确定第一预测时间（FPT），标记退化的开始。使用健康指标，通过长度为 、步长为1的滑动窗口生成训练样本。对于标签，FPT之前的样本被分配一个恒定的 100% RUL。在FPT之后，剩余寿命线性下降到故障时的 0%，从而定义了一个单调的真实RUL曲线。步骤2：特征提取。一个特征提取器将健康指标序列转换为鲁棒且域不变的潜在表示。源域训练样本被输入该提取器，以学习退化一致且具有判别性的特征。在本研究中，采用残差网络（ResNet）[25]作为特征提取器，提供可靠的表示，为后续的BFDE和RUL预测奠定基础。步骤3：特征分布扩展。提取的特征通过所提出的BFDE方法进行处理，该方法扰动潜在表示以生成多样化但退化一致的变体，如第2.3节所述。此过程扩展了域不变特征的分布范围，增加了与潜在未见域分布的重叠，并增强了特征空间泛化。步骤4：RUL预测。由ResNet提取的原始特征和BFDE生成的扰动特征都被输入到一个多层感知器（MLP）预测器[26]中以获得预测结果。预测损失使用所提出的SCL计算，该SCL包含四个部分：均方误差 、偏差损失 、波动损失 和趋势损失 。这些部分被联合优化以确保预测准确性、保持退化趋势、控制偏差并抑制波动。最后，计算得到的损失被反向传播以更新模型参数。步骤5：未见条件下的推理。一旦训练完成，模型直接应用于未见工况下的目标域数据，以预测机械RUL，无需进一步的适应。如图1所概括，所提出的FPDDG框架分为训练和测试阶段。在源域和目标域模块中，上方的图表示原始传感器信号，而下方的图表示数据预处理后的健康指标。在测试阶段，在先前未见工况下收集的样本由训练好的模型处理。具体地，仅使用训练好的特征提取器 和预测器 来预测机械的RUL，其中 和 *表示它们各自的可训练参数。为了进一步促进实际应用和可复现性，所提FPDDG框架的整体训练和推理过程总结在算法1中。 图1 所提出的FPDDG框架的总体架构算法1 提出的FPDDG框架 2.3. 贝叶斯正则化随机特征分布扩展所提出的BFDE方法集成在特征提取器之后，其整体结构如图2所示。给定一个提取的特征 ，一个编码器将其映射到潜在表示 。从这个表示 中，生成一个由可学习的均值 和对数方差 参数化的随机高斯分布。通过从该分布中采样，产生一个潜在变量 以模拟对应潜在未见域的特征变化。然后一个解码器将潜在变量 重建为 。同时，通过将原始输入特征 与扰动的潜在表示 融合，得到分布扩展后的特征 。这种扩展促进了特征多样性并增加了与目标域分布的重叠。该过程使用结合重建损失和Kullback-Leibler（KL）散度[27]的联合损失函数进行优化，定义如下： 其中 表示编码器， 表示全连接层， 表示从标准正态分布采样的随机噪声， 表示解码器， 表示特征随机扰动策略， 表示dropout层，它可以控制扰动的幅度， 是一个二元随机函数，以概率 翻转输入特征 中元素的符号，这控制了扰动的方向， 表示逐元素相乘操作。 图2 BFDE方法的结构 KL散度用于量化潜在变量 的分布 与标准正态先验分布 之间的差异。最小化该散度可防止采样的潜在变量 过度偏离，确保生成的扩展特征既多样化又物理上合理。此过程增强了模型的泛化能力和训练鲁棒性。KL散度正式定义为: 为了防止关键退化信息的丢失并保持语义完整性，对解码器输出应用了重建损失。该约束鼓励生成的特征在保持原始分布核心特征的同时表现出合理的偏差。因此，它有效地扩展了源域特征的支持范围，以模拟未见的目标域特征。重建损失定义为: 最后，通过联合优化重建损失和KL散度项，得到BFDE方法的损失函数 : 2.4. 结构一致性损失虽然BFDE方法增强了特征空间泛化，但确保预测空间的一致性和稳定性同样至关重要。在RUL预测任务中，传统的损失函数如均方误差（MSE）仅关注逐点准确性。它们未能捕捉时间依赖性和结构特性，常常产生具有相似逐点误差但不一致趋势、过度波动和偏差的预测。这些问题在DG场景中尤其突出。为了克服这一缺点，设计了结构一致性损失（SCL）以强制实现结构一致且物理上有意义的RUL预测。通过约束全局趋势、抑制波动和减少预测偏差，SCL减轻了对源域数据的过拟合，并增强了对未见域偏移的鲁棒性。具体来说，SCL包含四个互补的部分：偏差损失、波动损失、趋势损失和MSE。令 和 分别表示一个批次大小为B的预测RUL值和真实RUL值。首先，偏差损失 约束预测序列以减轻系统性高估或低估。它包括预测序列和真实序列均值的绝对差以及Sinkhorn距离[28]，后者量化了全局分布差异。偏差损失 的公式为: 其中 和 分别表示预测序列和目标序列的均值。其次，引入基于方差的波动损失 以鼓励预测更平滑，与真实RUL曲线紧密对齐。该项惩罚每个批次内预测值与真实值之间的相对方差差异。应用对数变换以减轻方差尺度对优化的影响、缓解梯度消失并确保数值稳定性。波动损失 的数学表达式为: 其中 是用于计算稳定性的极小值。第三，设计趋势损失 以保持方向一致性。通过结合皮尔逊相关系数和余弦相似度，该损失同时捕获线性依赖和角度对齐，为退化趋势提供了全面的约束。趋势损失 定义如下: 最后，标准的MSE作为衡量逐点偏差的基线指标。其定义为： 整体SCL表示为上述各部分的加权组合： 为了平衡不同结构约束的贡献，使用单个权衡系数 联合调节辅助项。由于这些部分相互补充以强制结构一致性，统一的系数有效地保持了平衡，同时避免了多个独立超参数带来的不必要的调参复杂性。2.5. 总体优化目标所提框架的优化过程涉及三个主要部分：特征提取器 、BFDE模块 和预测器 的参数 、 和 。这些部分通过最小化框架内定义的总体目标函数进行联合训练。通过整合式(12)和式(17)中的损失函数，总体网络优化目标 可以表示为： 参数优化和模型训练使用自适应矩估计优化器[29]通过梯度反向传播进行。每个模块参数的具体更新规则如下： 其中 是自适应矩估计优化器中的学习率。3 案例研究 本节通过在两个全寿命数据集上的综合实验证明了所提框架的有效性。实验过程严格遵循第2节和算法1中详述的训练和测试协议。具体地，模型仅在源域数据上训练，并直接对未见的目标域进行评估，无需任何进一步适应，确保严格且可复现的评估。3.1. 数据集描述本节介绍了两项实验研究中所采用的数据集：一个包含齿轮全寿命周期数据，另一个包含轴承全寿命数据。通过使用代表不同机械部件的两个不同数据集，所提框架的有效性和泛化能力得到了更全面和综合的评估。下面提供两个数据集的详细描述。数据集A：该数据集来源于自制的齿轮全寿命试验台。它主要用于评估所提框架在未见载荷条件下的可行性、可靠性和泛化能力。图3中试验台的核心部件包括驱动电机、扭矩计、主试验齿轮箱、联轴器、陪试齿轮箱、负载电机、稀油站和控制柜。在恒定转速1200 rpm和不同载荷水平（25 Nm、30 Nm和35 Nm）下对齿轮进行全寿命实验，以模拟不同的工况。在这些测试期间，从编码器获得的转速信号在整个退化过程中连续采集，直到齿轮失效。每种工况下的采样频率设为5000 Hz。 图3 自制齿轮全寿命试验台由于脉冲因子对早期退化特征高度敏感[23]，它被选为健康指标来构建样本。脉冲因子的数学表达式为： 其中 表示长度为 的一维时间序列样本， 表示序列中的第 个点， 是样本内的最大绝对值， 是该片段的算术平均值。提取的脉冲因子按顺序排列以表征健康退化过程。真实的RUL标签按照退化假设定义。具体地，应用 准则来确定第一预测时间（FPT），在此之前认为机械在稳定状态下运行，RUL设为100%。在FPT之后，假设RUL线性下降至故障时的0%。该标记策略被一致地用于生成实验结果中显示的真实RUL曲线。最后，使用滑动窗口策略（窗口长度512，步长1）构建训练和测试样本。利用该数据集，设计了三个RUL预测任务以评估所提方法的有效性。这些任务的训练和测试条件在表1中概述。表1 为数据集A设计DG任务 数据集B：为了进一步证明所提框架的鲁棒性，使用了公开的XJTU-SY轴承数据集[30]。数据集A侧重于变载荷条件，而数据集B评估模型在转速和径向载荷同时变化下的性能。该数据集包含全寿命轴承测试，以25.6 kHz采样频率（1.28秒持续时间，1分钟间隔）采集振动信号。符号Bearing i_j表示在第 种工况（由电机转速和径向载荷定义）下测试的第 个轴承。本研究选择了三个代表性轴承：Bearing 1_1（2100 rpm，12 KN载荷）、Bearing 2_5（2250 rpm，11 KN载荷）和Bearing 3_2（2400 rpm，10 KN载荷）。遵循与数据集A相同的预处理协议，提取脉冲因子作为健康指标。使用滑动窗口（长度16，步长1）生成数据样本。真实的RUL标签再次基于FPT和线性退化假设确定，以确保一致性。基于该数据集构建了三个RUL预测任务，以评估所提框架的性能和有效性。关于这些任务的详细信息在表2中给出。 表2 为数据集B设计DG任务 3.2. 实现细节与对比方法为了严格评估所提框架在DG RUL预测中的有效性，进行了两组实验：(1) 与广泛采用的RUL预测方法的比较，以及 (2) 对框架各组件的消融研究。所有方法均使用Adam优化器进行训练，学习率 ，训练100个epoch，批次大小 。实验使用PyTorch实现，并由NVIDIA GeForce RTX 3060 GPU加速。为了确保公平客观的比较，所有基线方法均使用其原始网络架构（例如ResNet）按照各自文献中的描述实现。此外，所有与训练相关的超参数，如优化器、学习率、批次大小、输入长度和评估指标，在所有模型中都保持严格一致[3,25,31-33]。对比方法和消融方法的具体细节总结在表3中。 表3 比较和消融方法的细节 为了定量评估预测性能，采用了三个广泛使用的评估指标：均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（ ）[34]。这些指标共同反映了模型的预测精度、鲁棒性和拟合优度，其数学公式如下： 其中 和 分别表示第 个预测样本的真实RUL和预测RUL， 是样本总数， 是真实RUL值的均值。3.3. 数据集A上的实验结果与对比分析3.3.1. 与现有方法的比较为了评估所提方法在未见工况下的泛化能力，在数据集A（任务A1-A3，详见表1）上进行了全面的实验研究。图4-6展示了所有方法的预测性能。Base方法在任务A1和A3中具有较大的RMSE和MAE以及较低的R。很明显，仅在源域数据上训练的传统基于深度学习的RUL预测方法难以泛化到目标域。 图4 通过RMSE评估不同方法在不同预测任务下的预测性能 图5 通过MAE评估不同方法在不同预测任务下的预测性能 图6 不同预测任务的不同方法的R2值基于DA的RUL预测方法，如DANN和MMD，通过利用未标记的目标域数据来减少分布差异，取得了中等性能。例如，DANN在A1中达到了10.084的较低RMSE，MMD在A3中达到了17.545，优于Base方法。然而，这些方法依赖于对目标域数据的访问，限制了它们在未见工况场景中的适用性。相比之下，仅依靠标记源域数据训练的基于DG的RUL预测方法对域偏移表现出更强的鲁棒性。Mixup和RSC在A1和A2中取得了良好的结果，而RSC在所有任务中表现出比Mixup更好的预测稳定性。特别是，RSC在A1中达到了4.320的RMSE和0.980的 。尽管如此，所提出的FPDDG框架在所有任务和指标上始终优于所有竞争者，产生了最低的误差和最高的 得分。这些结果清楚地证明了其在捕获鲁棒退化模式并将知识迁移到未见目标条件方面的有效性。为了进一步说明预测质量和不确定性，图7可视化了RUL预测曲线以及95%置信区间（CI）。真实RUL（粗黑色虚线）在第一预测时间之前保持恒定的 100%，随后线性下降。CI使用预测误差的标准差乘以1.96的z分数计算得到。CI反映了预测不确定性，这些区域的宽度表明了模型随时间推移的置信度。在绘制的可视化结果中，Base和DA方法显示出较大的偏差和更宽的置信带，特别是在早期和晚期退化阶段。而基于DG的RUL预测方法如RSC和Mixup产生了更平滑的曲线，但它们阴影化的不确定区域仍然明显比所提方法更宽。相比之下，所提出的FPDDG框架不仅产生了紧密跟踪真实RUL的预测曲线，而且呈现出最窄的CI，意味着高预测确定性和稳定性。这些结果证明了所提FPDDG框架在未见工况下RUL预测中的可靠性和优越性。 图7 RUL预测比较结果的可视化3.3.2. 消融研究为了研究所提框架内每个组件的贡献，本节进行了全面的消融研究。数据集A上的预测结果总结在图8-10中。如结果所示，引入SCL（Base+S）一致地提高了相对于Base模型的预测精度。例如，在任务A1中，RMSE从19.562降低到15.586，在任务A3中从30.270降低到17.931，而在A1中 得分从0.595增加到0.743。这表明SCL有效地引导模型学习域不变和可泛化的退化特征。 图8 通过RMSE评估不同消融方法在不同预测任务下的预测性能 图9 通过MAE评估了不同消融方法在不同预测任务下的预测性能 图10 不同消融方法对不同预测任务的R2值此外，应用特征分布扩展，如高斯（Base+G）、VAE（Base+V）和所提出的BFDE（Base+B），增强了在未见工况下的泛化能力。值得注意的是，Base+B产生了最显著的收益，在任务A1-A3中分别达到了6.696、6.860和8.662的RMSE值。这证实了所提出的BFDE提供了比高斯和VAE方法更强的泛化能力。最后，组合策略（Base+GS和Base+VS）进一步减少了预测误差，突显了特征空间和预测空间泛化的互补作用。例如，Base+GS在任务A3中将RMSE降低到11.175，而Base+VS在任务A1中达到了9.340，两者都明显优于它们各自的单独对应项。通过联合集成SCL和BFDE，所提出的FPDDG框架在所有任务中一致地实现了最佳性能，产生了最低的RMSE值和最高的 得分。如图11中RUL预测曲线和95% CI的可视化所证实，这些组件的联合集成显著增强了模型的整体有效性和鲁棒性。 图11 不同预测任务的不同消融方法的可视化3.4. 数据集B上的实验结果与对比分析3.4.1. 与现有方法的比较为了进一步评估所提方法在未见工况下的鲁棒性和泛化能力，在数据集B（任务B1-B3）上进行了实验。RMSE、MAE和 的结果总结在图12-14中。为确保公平比较，所有方法均在与数据集A一致的设置下进行评估。如图所示，基线（Base）方法表现出不令人满意的泛化能力，在大多数任务中产生最差的性能（例如，在B1中 低至0.246）。 图12 通过RMSE评估不同方法在不同预测任务下的预测性能 图13 通过MAE评估不同方法在不同预测任务下的预测性能 图14 不同预测任务的不同方法的R2值基于DA的RUL预测方法（DANN和MMD）显示出部分改进。虽然DANN在B2中表现良好（RMSE = 10.983， ），但其性能在B3中严重下降（RMSE = 26.512， 2=0.179）。这表明当目标域表现出显著分布偏移时，对抗性对齐策略难以应对。类似地，MMD未能提供一致的迁移能力，表明仅依赖统计距离对齐的局限性。在基于DG的RUL预测方法中，Mixup表现出中等的鲁棒性，但在B1和B3中保持了较高的误差幅度，表明样本级插值不足以实现全面的泛化。RSC尽管在数据集A上表现强劲，但在数据集B上性能显著下降（例如，在B3中获得30.760的RMSE和仅0.105的 ）。这揭示了特征抑制策略在高度可变未见域中可能会过度约束模型。相比之下，所提出的FPDDG框架在所有指标上始终优于所有基线和最先进的方法，实现了最低的误差和最高的 得分。这些结果清楚地证明了所提模型的有效性和优越的泛化能力。这些定量优势通过图15中的预测曲线和95% CI得到了直观的证实。所提方法的预测RUL轨迹紧密跟踪真实值，并具有一贯窄的置信带，反映了高精度和低不确定性。相反，竞争方法在未见工况下表现出更宽的CI和显著的预测偏差，反映了较差的预测和不稳定性。 图15 RUL预测比较结果的可视化3.4.2. 消融研究为了进一步研究所提框架中每个单独组件的贡献，在数据集B上进行了全面的消融研究。预测结果总结在图16-18中。如结果所示，与Base方法相比，引入SCL（Base+S）显著提高了性能。例如，在任务B1中，RMSE从32.339下降到16.843， 从0.246增加到0.669。这证实了SCL在未见工况下引导模型的鲁棒性。 图16 通过RMSE评估不同消融方法在不同预测任务下的预测性能 图17 通过MAE评估了不同消融方法在不同预测任务下的预测性能 图18 不同消融方法对不同预测任务的R2值此外，应用特征分布扩展相比Base模型带来了显著的改进。虽然Base+G在B2中达到了0.849的 ，Base+V在B1中将RMSE改善到17.461，但所提出的BFDE（Base+B）在不同条件下始终提供更优的泛化能力。通过在B3中达到0.743的 ，Base+B明显优于高斯和VAE扩展，证明了BFDE策略的优越性。最后，完整的所提框架在所有指标和任务上取得了最佳结果（例如，在B2中RMSE为8.336，在B3中 为0.895）。与单独的Base+B相比，添加SCL进一步提高了准确性和稳定性，突显了其在完整框架中的关键作用。总体而言，数据集B上的消融研究证实了数据集A的发现：每个模块都有积极贡献，并且SCL和BFDE的联合集成提供了最显著的性能提升。这些改进通过图19所示的RUL预测曲线和95% CI得到了直观的证实。 图19 不同预测任务的不同消融方法的可视化3.5. 讨论所提出的FPDDG框架严格独立于特定的机械、传感器或健康指标。因为它仅需要序列化的退化表示作为输入，并利用与模型无关的BFDE和SCL模块，该框架可以轻松应用于不同的机械部件和工况，而无需结构修改。为了进一步研究模型复杂度、超参数敏感性和特征可解释性，使用数据集A中的任务A1进行了附加实验。3.5.1. 模型复杂度表4总结了不同机械RUL预测方法在参数量（Params）、浮点运算次数（FLOPs）和推理延迟方面的模型复杂度和推理效率比较。与基线模型以及代表性的DA和DG方法相比，所提出的FPDDG框架由于额外的BFDE（涉及特征分布扩展和重建）而显示出略高的参数量（196.5 K）和FLOPs（7.12 M）。尽管如此，所提模型保持了极具竞争力的推理延迟（1.42 ms），表明没有显著的计算负担。此外，所提模型实现了最低的RMSE（3.659），展示了表达能力与计算效率之间的出色权衡。表4 不同机械RUL预测模型复杂度的比较方法。 3.5.2. 超参数敏感性为了评估所提FPDDG框架对总损失函数中权衡系数 的鲁棒性，将 从1变化到10，相应的RMSE、MAE和 显示在表5中。结果表明，模型性能在较宽的 值范围内保持稳定，RMSE、MAE和 仅有微小波动。这些结果表明，所提FPDDG方法对 不高度敏感，对超参数变化表现出良好的鲁棒性，并确保训练过程中的稳定收敛。表5 FPDDG框架的超参数敏感性 3.5.3. 特征可解释性为了研究所学退化表示的可解释性，图20展示了潜在特征的t-SNE可视化。源域特征用蓝色圆圈标记，而目标域特征用红色三角形表示。颜色强度（从浅到深）反映了退化严重程度的增加。如图20所示，Base模型表现出分散的分布，源样本和目标样本混合在一起，没有清晰的退化进程，表明泛化能力差。DA方法（DANN、MMD）实现了部分域对齐，表明对抗性和统计对齐策略可以减少分布差异。然而，这些退化特征仍然是碎片化的，不够连续。DG方法（Mixup、RSC）显示出改进的域内紧凑性和更平滑的轨迹，但域之间的聚类边界仍然明显。 图20 不同方法提取的潜在特征的t-SNE可视化相比之下，所提方法实现了物理上最一致和域不变的特征嵌入。源和目标样本沿着退化路径形成一个连续且有序的轨迹，颜色从浅到逐渐过渡，生动地反映了机械疲劳的渐进性质。这种可解释的分布表明，学习到的潜在空间有效地捕获了域不变和退化一致的特征。这反映了BFDE和SCL的双重贡献，其中BFDE扩展了特征分布以增强表示多样性，而SCL强制了预测RUL序列的结构一致性。因此，所提出的FPDDG框架不仅提高了预测精度，而且在潜在空间中提供了可解释的退化演化。4 结论本文提出了一个新颖的FPDDG框架，用于在未见工况下实现机械的可靠RUL预测。本研究的主要结论可总结如下：(1) 所提出的BFDE通过模拟随机的但退化一致的变体，扩展了退化特征的多样性和覆盖范围。该机制有效地增强了在未见工况下的特征空间泛化能力。(2) 设计的SCL联合强制了退化趋势保持、预测偏差控制和波动抑制。通过在预测空间中约束RUL预测，SCL提高了预测退化轨迹的稳定性。(3) 在齿轮和轴承数据集上的广泛实验评估表明，所提出的FPDDG框架始终优于DL、DA和DG方法。它实现了最低的预测误差，在齿轮数据集上RMSE和MAE分别至少降低15.3%和13.27%，在轴承数据集上分别降低6.33%和12.74%。此外，复杂度分析表明，所提FPDDG框架在计算效率和预测精度之间实现了平衡的权衡，而超参数敏感性实验验证了其鲁棒性。 本研究仍存在一些局限性。首先，当前框架依赖于离线训练和固定的损失权重，这可能限制其在高度动态或实时工业场景中的适应性。其次，尽管所提方法在齿轮和轴承数据集上表现出强大的泛化性能，但其对其他机械部件和更复杂退化机制的有效性需要进一步研究。因此，未来的工作将集中在将FPDDG框架扩展到实时和边缘部署，以及开发训练期间自动损失平衡的自适应加权策略。此外，未来的研究将探索更广泛的工业应用和更多样化的退化模式，以进一步验证所提框架的普适性。 编辑：Tina校核：李正平、陈凯歌、曹希铭、赵学功、白亮、任超、海洋、赵栓栓、Kira、陈宇航、王金、赵诚、肖鑫鑫、张优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