SKDAN：一种基于信号知识的领域自适应网络，用于滚动轴承剩余使用寿命预测及不确定性量化

《COMPUTERS IN INDUSTRY》：SKDAN: A Signal Knowledge-enhanced Domain Adaptation Network for remaining useful life prediction and uncertainty quantification of rolling bearings

滚动轴承剩余使用寿命预测中，针对振动信号非稳态特性及跨域分布差异，提出信号知识增强域适应网络SKDAN。通过自适应短时傅里叶变换层动态优化时频窗口，结合多阶段最大均值离散度MSMMD量化分布差异，并引入不确定性量化机制计算置信区间。实验表明SKDAN在跨域场景下显著优于传统方法。

　　
滚动轴承剩余使用寿命（RUL）预测是旋转机械故障诊断中的核心课题。随着工业自动化程度的提升，该领域的研究需求日益增长。传统预测方法主要依赖信号处理和物理模型，但面对非稳态振动信号和非线性退化过程时存在显著局限性。近年来，基于域适应（Domain Adaptation, DA）的深度学习方法展现出潜力，但仍需解决多退化阶段特征辨识、跨域分布差异量化以及预测不确定性评估等关键问题。

在轴承退化过程中，振动信号的时频特性会呈现显著的非平稳演变规律。早期研究多采用固定窗口的短时傅里叶变换（STFT）进行时频分析，但这种静态方法难以捕捉退化过程中动态变化的频谱特征。例如，当轴承内圈和外圈出现不同步磨损时，其频谱能量分布会呈现阶段性偏移。针对这一问题，新型自适应短时傅里叶变换（AWSTFT）技术通过动态调整时频分析窗口，实现了对退化进程的精细建模。实验表明，这种动态窗口机制可将频谱泄漏降低约40%，同时提升能量集中度达25%，有效增强了退化特征的可辨识性。

跨域特征对齐是DA方法的核心挑战。传统最大均值离散度（MMD）采用全局平均差异度量，但未考虑退化阶段的多尺度特征差异。作者提出的多阶段最大均值离散度（MSMMD）框架，通过构建退化阶段分层特征空间，显著提升了跨域适应能力。具体而言，该方法将轴承退化周期划分为若干子阶段（如初期磨损、中期疲劳、后期失效），针对每个子阶段设计独立的特征离散度评估模块。实验数据表明，这种分层策略使跨域特征相似度提升约18%，同时将误分类率降低至5%以下。

预测不确定性的量化对工业应用具有重要价值。作者创新性地设计了三阶段不确定性评估机制：首先在特征提取阶段通过物理约束优化网络参数，其次在域适应阶段采用动态权重调整，最后在预测阶段构建置信区间生成器。该机制通过引入异方差损失函数，实现了预测结果的置信区间可视化。在IEEE PHM 2012数据集上的测试显示，SKDAN方法对RUL预测的置信区间宽度较传统方法缩小了32%，同时将区间覆盖真实值的比例提升至92%以上。

该研究通过三个关键技术创新实现了RUL预测的突破性进展：1）物理约束的时频分析层，将轴承的接触应力、滑动速度等物理参数转化为网络可学习的优化约束；2）分阶段域适应框架，通过构建退化阶段特征空间，使跨域迁移学习效率提升约40%；3）不确定性量化模块，采用渐进式训练策略逐步建立置信区间模型。这些创新共同构成了SKDAN方法的完整技术体系。

在实验验证环节，作者选择了具有代表性的两个轴承数据集进行对比测试。IEEE PHM 2012数据集包含7种典型退化模式，测试集与训练集存在明显的工况差异（如温度波动范围达±15℃）。XJTU-SY数据集则模拟了多载荷场景下的退化过程。对比实验表明，SKDAN在两种数据集上的平均RUL误差较传统DA方法降低约28%，特别是在跨域泛化场景下，其预测稳定性提升显著。具体而言，在工况差异系数超过0.6的测试条件下，SKDAN的均方根误差（RMSE）控制在3.2以内，而传统方法此时已出现预测发散现象。

方法优势体现在三个维度：技术层面，通过物理知识约束（如接触刚度模型）和分阶段域适应机制，构建了从时频特征提取到跨域对齐的完整技术链条；应用层面，不确定性量化模块为预测结果提供了置信区间，满足工业场景中风险控制的量化需求；理论层面，提出的MSMMD指标将特征空间划分为k个退化阶段子空间，通过计算各子空间间的离散度加权平均，有效解决了传统MMD在退化阶段特征区分度不足的问题。

在工程实现方面，该方法展现出良好的计算效率和可扩展性。基于PyTorch框架的轻量化实现方案，使SKDAN在NVIDIA V100 GPU上的推理速度达到23.6帧/秒（每帧包含128个时间序列样本）。网络参数量较传统DA模型减少约35%，同时通过引入物理约束项，使得模型在未标注数据场景下的迁移学习效率提升42%。这种平衡了模型复杂度与泛化能力的特性，使其特别适合工业场景中资源受限的部署需求。

研究还特别关注了退化过程的非线性特性。通过构建退化阶段能量分布模型，量化了时频特征在不同阶段的能量转移规律。实验数据显示，SKDAN在识别早期微裂纹（信号能量波动率<5%）和中期轴承游隙变化（能量主频偏移>8Hz）等关键退化模式时，特征提取准确率分别达到89.7%和91.3%，较基线模型提升约15个百分点。这种对退化初期和中期特征的精细捕捉，使得预测模型能更早地发现潜在故障，为预防性维护提供了技术支撑。

在不确定性评估方面，方法创新性地将贝叶斯推断思想与深度学习结合。通过构建双层置信区间生成网络，外层网络负责预测RUL值，内层网络实时估计预测值的置信区间。这种结构使SKDAN在测试集上实现了预测结果的标准差降低至0.78（单位：小时），较传统方法下降41%。更值得关注的是，在退化阶段模糊（如阶段边界重叠>20%）的复杂工况下，该方法仍能保持85%以上的置信区间覆盖精度。

工业应用案例验证了方法的实际价值。在某风电设备制造企业的轴承监测系统中，部署SKDAN后实现了三个显著改进：1）故障预警时间提前至传统方法的68%；2）跨产线迁移训练时间缩短至原方案的1/3；3）预测结果的置信区间宽度压缩了29%。实际运行数据显示，系统误报率从12.7%降至4.3%，平均维修成本降低41%，充分证明了该技术的工程适用性。

未来研究可着重拓展两个方向：首先，将物理约束机制扩展到多物理场耦合场景，如将温度场分布与振动信号融合分析；其次，开发基于边缘计算的轻量化推理框架，以满足工业现场实时预测的需求。作者在技术展望中特别提到，随着数字孪生技术的发展，SKDAN框架可与虚拟轴承模型结合，形成闭环预测-验证系统，这将为工业设备预测性维护提供更完整的解决方案。

该研究为轴承健康监测领域提供了新的方法论范式。通过融合物理先验知识、分层域适应机制和不确定性量化技术，SKDAN方法在保持模型精度的同时显著提升了计算效率，其提出的MSMMD指标和多阶段训练策略已被同行学者广泛引用。据文献计量分析，该方法在12个月内被引用达87次，涉及智能制造、航空发动机和风力发电等关键领域，充分彰显了其学术价值与工程潜力。