动态特征增强对抗网络：用于旋转机械的领域自适应故障诊断

《Engineering Applications of Artificial Intelligence》：Dynamic feature enhancement adversarial network for domain adaptive fault diagnosis of rotating machinery

　　刘佳松|张向峰|姜红|孙凯格|李明利
新疆大学智能制造现代产业学院，中国新疆830046

摘要
在现实世界的工业场景中，故障诊断受到操作条件变化、特征提取不足和数据稀缺的显著阻碍。虽然许多领域适应方法解决了边际分布对齐问题，但它们往往忽视了判别特征学习，导致在复杂环境中的性能不佳。为了解决这些挑战，本文提出了一种用于旋转机械领域自适应故障诊断的动态特征增强对抗网络（DFEAN）。首先，设计了一种小波增强卷积编码器（WECN），通过拉普拉斯小波和注意力机制过滤高频干扰并提取稳健的时空特征。其次，结合了一种具有类内混合的新型频域增强机制（FDEM）来合成虚拟样本，从而缓解数据稀缺问题，同时避免语义损坏。此外，实现了类感知和熵增强（CDAE）条件对抗损失，以对齐条件分布，有效提升跨域类别区分能力。在可变负载和速度的数据集上进行的大量实验表明，DFEAN表现出色：在诊断任务中分别实现了99.04%和96.11%的平均准确率。

引言
由于工业4.0的快速发展，旋转机械已成为现代制造业的关键组成部分，这种机械的稳定性和可靠性对整个工业系统的有效运行至关重要（Ahmed等人，2022；Zhao和Jiao，2023）。滚动轴承和齿轮箱是这些机械系统的关键部件，主要支撑着机械的旋转运动。大量研究表明，旋转机械停机的主原因是这些关键部件的故障。为了保证机械设备的持续运行，并促进现代工业的安全稳定生产，准确识别轴承和齿轮箱的故障是必不可少的（Fan等人，2025；Qian等人，2023b；Wang等人，2025a）。
最近数据驱动的人工智能领域的快速发展推动了智能工业维护中的深度学习故障诊断方法，引发了大量的研究并得到了广泛应用（Guo等人，2024；Li等人，2024）。
为了实现端到端的智能维护，故障检测利用了神经网络的卓越特征提取能力。遗憾的是，这些技术的效果通常依赖于足够且全面的标记数据集，并且需要源域和目标域数据的概率分布相同。然而，在实际工程环境中，由于复杂的环境和设备内部的未知影响，很难获得具有相同分布的数据（Wang等人，2025c；Zhang等人，2023）。因此，在设备发生故障时获取标记的故障数据是一个重大挑战。此外，由于随机噪声和操作条件变化等因素导致的数据分布偏移问题仍然存在（Hu等人，2023；Qian等人，2025a）。因此，在设备故障条件下收集标记的故障数据非常困难，并且存在与数据相关的问题。
在迁移学习中，无监督领域适应（UDA）为这些挑战提供了一种有效且实用的解决方案（Ghiasi等人，2025；Zhang等人，2022）。为了减少跨域差异，使得基于源域构建的模型能够更可靠地泛化到目标场景，UDA试图从跨域样本中学习对齐一致的分布特征，并获得对域不变的特征（Bai等人，2025）。目前两种流行的领域适应（DA）技术是对抗训练和距离度量。通过使用特定的距离度量，包括Kullback-Leibler散度（KL）（Qin等人，2021）、最大均值差异（MMD）（Zhang等人，2020）、局部MMD（LMMD）（Zhu等人，2021）和深度相关对齐（CORAL）（Shen等人，2017），前者减少了特征分布差异。通过将多核MMD结构纳入多层网络的输出（Zheng等人，2024），提高了网络对变化操作条件的适应性。它们在轴承数据集上取得了令人鼓舞的结果。通过使用同位素距离匹配（Wang等人，2024），在面对显著分布差异时验证了跨域诊断模型的有效性。为了解决这些问题，提出了一种通过联合条件Wasserstein距离匹配的新跨域诊断算法。

基于隐式博弈论的训练来挖掘领域不变特征是领域对抗学习的核心，这是一种实现跨域迁移的不同方法（Ganin等人，2016；Shang等人，2025）。Chen等人（2023）引入了一种由对抗训练引导的多域适应模型。它使用域鉴别器和特征提取网络之间的对抗训练来从多个源域中提取共享属性（Jin等人，2024）。设计了一种专门的网络结构，通过对抗训练策略对齐源域和目标域。其次，将条件熵和局部Lipschitz项整合到损失函数中，以将决策边界远离数据密集区域。使用结合这两种方法的混合框架，已经证明了领域不变属性学习的提升（Han等人，2021；Liu等人，2022）。然而，这些方法大多数没有考虑跨域样本数据稀缺的问题（Dong等人，2024）。提出了一种全局小波集成残差频率注意力正则化网络（GWRFARN），同时采用动态指数损失函数和改进的标签平滑处理高超音速飞行器中的类别不平衡问题（Wang等人，2026）。引入了一种自适应融合域循环变分生成对抗网络（AFDVGAN）。通过在空间域和频率域之间建立比率控制的域循环机制，该方法生成高质量的合成数据与真实样本融合，显著提高了数据有限场景下的诊断准确性。
基于子类特征分布对齐的技术引起了广泛关注，以克服之前概述的范式的缺点并减少未标记数据的影响。这些技术使用聚类或伪标记算法创建未标记目标域样本的潜在簇，然后对其进行类别适应性对齐（Shao等人，2024；Yang等人，2023）。例如，Qian等人（Qin等人，2023）使用最大似然估计和高斯混合模型获得了类别簇分布（Qian等人，2025b）。提出了一种DG-Softmax框架，考虑了类别级决策边界以提高特征可分性。该框架可以在训练过程中间接实现两个域之间的分布对齐，而无需使用目标域样本。为了缩小显著的域差距（Cao等人，2025），提出了一种通过在输入数据上应用可学习的混淆来高效创建中间域的新方法（Wu等人，2020）。设计了一种新的网络架构，采用两个分类器，通过最大分类器差异（MCD）对抗机制实现了更好的判别性能（Tian等人，2024）。在源模型训练过程中提出了一种深度泛化神经网络，内部设计有良好的流形混合模块，并共同训练以提高源模型的泛化能力。为了得到最终结果（Li等人，2021），分别使用MMD和领域对抗训练训练了两个特征提取器和分类器；他们还应用了集成学习。为了在机车故障诊断中获得分布差异和特征区分（Yu等人，2021），结合了条件对抗DA和以中心为导向的判别目标函数。为了解决领域偏移问题（Tan等人，2021），提出的网络框架探索了结合混合训练与弱监督和领域对抗训练的思想（Liu等人，2024）。提出了一种新的跨机器子域适应网络，并应用于风力涡轮机的故障诊断。该网络通过子域适应机制结合统计和几何特征构建了子域分布偏移度量，以促进域混淆。此外，最近的研究还探索了各种先进的策略来应对复杂的诊断挑战。例如（Yu等人，2024），提出了一种多源信息域适应网络来增强特征传输，而（Yu等人，2026）引入了一种带有不确定性量化的传感器相关框架。此外，数字孪生技术（Yu等人，2025）也被用于非接触式诊断中的特征插补。与这些基于准确性的进展并行，模型的计算效率和实时能力也引起了工业边缘部署的广泛关注。例如，为了解决飞机发动机中的高注释成本和效率要求，提出了一种虚拟域驱动的半监督双曲度量网络用于轴间轴承故障诊断（Wang等人，2025b）。同样，专注于模型在资源受限设备上的适应性，提出了一种基于轻量级扩展的连续学习方法用于列车传输系统（Wang等人，2025d）。然而，尽管有这些进展，解决类别不平衡和在领域偏移下提取判别特征仍然是重大挑战。
上述技术在各种跨域场景中取得了显著的结果，但它们具有明显的局限性：
（1）当前的领域适应（DA）诊断技术忽略了判别特征学习，现有的判别特征学习技术存在不稳定性或优化问题。
（2）在实际应用中，大多数模型需要大量的标记训练样本才能很好地执行故障诊断任务，特别是在领域适应迁移学习中，目标域的标记数据有限，且源域和目标域的数据分布经常不同或存在不稳定性问题。
（3）在某些情况下，基于均值统计的MMD对差异的描述不够准确。像CORAL一样，其领域混淆性能受到低维样本空间的严重限制。

本文提出了一种用于旋转机械领域自适应故障诊断的动态特征增强对抗网络（DFEAN），以系统地解决这些挑战。与处理部分问题的传统方法不同，DFEAN将小波增强卷积编码器（WECN）、带有类内混合的频域增强机制（FDEM）和类别感知对抗学习整合到一个统一的端到端框架中。该架构明确解决了在非静态和可变工作条件下的特征提取不足问题，以及数据稀缺和条件分布变化的耦合效应。它可以在从源域到目标域的各种工作条件下实现稳健且准确的故障诊断。本文的主要贡献总结如下：
（1）频域增强机制（FDEM）利用类内混合技术在特定类别内合成虚拟样本，从而扩展了稀疏故障模式的特征空间。该机制防止了由数据稀缺和定义不清的类别边界导致的目标域中的语义损坏和分类偏差。
（2）一个结合了小波增强卷积编码器（WECN）、BiGRU和Transformer的框架捕获了非静态信号的深度时空依赖性。该架构使用拉普拉斯小波和注意力机制提取在可变负载和速度下仍然稳健的领域不变特征。
（3）双重对齐策略结合了最大均值平方差（MMSD）和类感知熵增强条件对抗损失（CDAE）。MMSD通过张量积对齐二阶统计量（均值和方差）以捕捉复杂的分布变化，而CDAE优化条件分布以提高跨域类别区分能力。
（4）为了验证所提出方法的有效性和优越性，我们使用在不同负载和速度下收集的两个数据集创建了多个跨域场景的诊断任务。

本文的后续部分组织如下：第2节深入探讨了研究的理论基础。第3节提供了所提出诊断结构的详细分析。第4节详细检查了实验结果。第5节总结了整个研究并提出了后续研究的方向。

定义
领域适应（DA）：
Ds={(xis,yis)}i=1ns是用于无监督领域适应的标记源集，而Dt={(xit)}i=1nt是未标记的目标集。两个集合都使用标签空间{1,2,3,…,K}，K是健康状态类别的总数。源域和目标域遵循不同的分布ps和pt。
Dt中的第i个样本是xis，标签为yis，Dt中的第j个样本是xjt。集合大小分别为ns和nt。为了在目标域获得可靠的预测，UDA联合训练一个带有标记的模型。

整体网络架构
图3展示了提出的DFEAN模型（WECN-BiGRU-Transformer）。DFEAN通过频域增强和类内混合机制（FDEM）增强了稀疏数据的识别。为了解决不同操作条件下的领域偏移问题，它使用最大均值平方偏差机制（MMSD）进行全局分布对齐。它结合了类感知和熵增强的领域适应对抗机制（CDAE）以提升目标域的泛化能力。

为了验证上述技术的有效性，使用两个不同的数据集评估了DFEAN的性能。第一个数据集是关于平行轴齿轮箱轴承故障的独立收集的数据集，而第二个数据集来源于江南大学的机电传动系统测试区（Yasenjiang等人，2025年）。数据集的详细信息可以在表2中找到。实验中使用的数据集的具体细节如下：

SQI：一家风电公司的数据集

提出了用于旋转机械域自适应故障诊断的动态特征增强对抗网络（DFEAN）。首先，为了改善特征的时间表示，第一步是构建WECN-BIGRU特征提取网络。小波增强卷积编码器（WECN）和BIGRU可以消除信号中的高频干扰成分。接下来，采用了一个类别平衡的频域增强和类内混合机制（FDEM）。

CRediT作者贡献声明：
刘家松：撰写——原始草稿、可视化、验证、软件、资源、方法论、调查、概念化。
张向丰：指导、方法论、资金获取、正式分析。
江红：撰写——审阅与编辑、指导、正式分析。
孙凯歌：指导、软件、正式分析。
李明丽：指导、调查、正式分析。

利益冲突声明：
作者声明他们没有已知的财务利益冲突或可能影响本文所报告工作的个人关系。

致谢：
本研究由天山人才培养计划（项目编号2023TSYCLJ0052）资助。