《Expert Systems with Applications》：Multi-perspective domain-invariant network with energy density-based data augmentation for domain generalization fault diagnosis
编辑推荐：
本文提出一种多视角域不变网络（MPDIN），通过集成训练与物理驱动的数据增强（DA），解决了现有域泛化故障诊断（DGFD）方法在外推场景中的性能瓶颈。该方法利用角速度平方（ω2）与振动能量成正比的关系，在能量密度标度空间生成超越源域边界的数据，并通过分层域不变性学习，有效抑制虚假相关性，在极端外推任务中实现了19%-47%的性能提升，为工业部署提供了可靠方案。
研究亮点
- •
1. 多视角域不变性学习框架：通过跨策略性定义域子集的分层验证，解决虚假相关风险与故障模式覆盖不足问题。
- •
2. 基于物理规律的外推数据增强方法：利用角速度（ω2）与能量之间的正比关系，生成超越源域边界的真实数据。
- •
3. 全面的实验验证：在单条件任务中实现接近完美的准确率，在极端外推场景中提升19%至47%，流形分析证实了真实域不变性学习的实现。
数据预处理
原始振动信号通过短时傅里叶变换（STFT）转化为时频表示。离散STFT计算如下：
X(m, k) = Σn=0N-1x(n + mH) w(n) e-2πikn/N
其中m和k分别表示时间和频率帧索引，w(·)是窗函数，H是跳数，N是FFT（快速傅里叶变换）大小，x(·)是待变换信号。STFT随后被转换为功率谱图，如下所示：
P(m, k) = |X(m, k)|2
其中P(m, k)表示在时间帧m和频率k处的功率谱图值。
实验设置
为全面验证所提方法，我们使用具有不同特征的四个数据集进行了实验，详见表4。实验室电机数据集是使用GDMCS-2000三相感应电机采集的，如图7所示，在严重条件下，在八个转速（300-1000转/分）下，以12,000赫兹的采样率测量了三个人工故障模式的垂直加速度数据。
消融研究
为确保最佳性能和公平比较，在任务L1上进行了全面的网格搜索实验，以确定损失权重系数β和γ，以及能量缩放因子α。图9(a)展示了损失权重组合的网格搜索结果，其中β和γ在{0.5, 1.0, 3.0, 5.0}范围内变化，每个配置重复五次。确定的最优配置为β=0.5和γ=3.0，实现了0.9996的平均准确率。
结论
本研究解决了域泛化故障诊断（DGFD）中的关键局限：现有域对齐方法无法验证对齐特征是捕捉了因果故障特征，还是仅仅捕捉了跨训练域保持一致但在具有新统计特性的目标域中失效的虚假相关性。所提出的结合基于能量密度数据增强（DA）的多视角域不变网络（MPDIN）提供了克服这些局限性的方法创新和机理洞见。MPDIN通过以下方式实现分层域不变性：（1）跨域子集的集成学习，每个子集专注于独特的工况范围；（2）通过三元组损失在子集内强制域不变性；（3）通过相关性对齐（CORAL）损失实现子集间分布对齐。这种多视角框架通过抑制特定子集的虚假相关性，同时保留真正的故障特征，验证了学习到的特征确实代表了因果故障特性。能量密度增强基于旋转机械动力学原理，利用功率谱图中保留的绝对能量信息，生成超出源域边界的外推数据。在四个数据集上的实验验证证实了该方法在外推场景中的优越性能，相较于基线方法提升了19%-47%。流形分析证实了特征空间的连续性和完整的目标-源域集成，验证了真实域不变性学习的实现。尽管在时变场景中存在局限性，但所提出的方法论为目标工况频繁超出训练范围的工业部署提供了一个原则性的框架。
