一、导读

随着人工智能技术的蓬勃发展，深度学习等方法的应用为机械故障诊断任务开辟了新的道路。然而，尽管深度学习方法具有强大的能力，但面对跨域故障诊断中的数据分布差异问题时，其应用仍显得捉襟见肘。在这样的背景下，迁移学习作为一种新兴的范式，为新场景诊断任务的解决带来了全新的思路。

2024年4月，福建省太赫兹功能器件与智能传感重点实验室在机械工程和信号处理领域期刊《Mechanical Systems and Signal Processing》（中科院一区TOP，IF:8.4）发表了题为“Fault diagnosis of rolling bearings under variable conditions based on unsupervised domain adaptation method”的文章。论文提出了一种深度卷积动态联合分布域自适应网络模型，通过对两个领域特征的边缘分布与条件分布进行动态对齐，进一步提升对目标域样本的诊断精度，此外引入XAI技术对模型可解释性进行分析，以帮助理解模型决策过程。实验室钟建华副教授为论文的第一作者，2021级硕士研究生林聪为第二作者，通讯作者为钟剑锋教授，实验室硕士研究生高杨和实验室主任钟舜聪教授共同参与了课题研究，并作出重要贡献。

二、内容简介

基于域自适应研究的基本思想是依靠缩小两个不同域数据特征间的距离来实现分布对齐。实际中，不同数据的边缘分布和条件分布的差异程度可能不同，两种分布的适应在域适应中起着不同的作用。图1展示了在不同分布适配下对分类结果的影响。

图1. 不同分布自适应分类示意图

本文提出的深度卷积动态联合分布域自适应网络分别利用多核最大均值差异与Wasserstein距离对两域高阶特征的边缘分布与条件分布进行度量。根据这两类分布间距的占比计算得到动态平衡因子，以指导两种分布的自适应权重分配。故障识别器用于对提取到的域不变特征进行分类，其中采用交叉熵作为分类损失函数主体并添加了批量核范数最大化方法，以进一步提升故障识别准确性。网络模型结构在图2中给出。

图2. 深度卷积动态联合分布域自适应网络

本文设计了一种中心感知标注法以提高目标域伪标签标注的准确性，其标注过程示意如图3所示。对目标域伪标签标注过程加以改进以提升对目标域样本的诊断精度。

图3. 中心感知标注法

利用带标签的源域样本与无可用标签的目标域样本对所提网络模型进行训练，在两个数据集上的混淆矩阵结果如图4所示。所提方法与对比方法在两个数据集上的t-SNE分布可视化如图5所示，结果表明本文提出的模型对于两域中的类内间距分布适配有着更好效果。

图4. 所提方法在两个数据集上的混淆矩阵

图5. 不同方法在两个数据集上的t-SNE分布效果

本文设计的用于条件分布中对目标域伪标签标注的中心感知方法与常规伪标签标注方法对比结果如图6所示。结果表明所提方法对于目标域诊断精度有着明显改善。

图6. 不同伪标签标注方法在两个数据集上的精度曲线

进一步实施各类对比实验，结果如图7所示。实验结果验证了本文提出的网络模型的有效性，其在两个实验数据集上均表现出优异的诊断精度。

图7. 所提网络模型在两个数据集上的对比实验结果

为了更好地探索所提出的模型方法的可解释性，本文将XAI技术集成到网络模型中，分析结果如图8所示。结合人工智能可解释性技术展开研究，以帮助理解模型对于不同类别样本的关注区域，进一步了解模型的决策过程。

图8. XAI模型分析结果

三、总结

本文提出了一种用于滚动轴承跨域故障诊断的深度域自适应模型。该模型有效地对齐了两域数据的联合分布，减少了因设备运行工况变化引起的数据分布漂移的影响。引入人工智能可解释性技术突显模型对关键特征的关注，辅助揭示网络决策过程。研究成果进一步丰富了迁移学习在机械故障诊断领域中的应用，将人工智能可解释性研究与机械故障诊断研究相结合，以提高模型的透明度与可信度。

原文链接：https://doi.org/10.1016/j.ymssp.2024.111430