基于无监督领域适应性的多粒度混合图对抗网络在故障诊断中的应用

《Expert Systems with Applications》：Multi-granularity hybrid graph adversarial network based on unsupervised domain adaptation for fault diagnosis

提出多粒度混合图对抗网络MHGAN，通过GCN捕获拓扑关系，结合全局相关对齐、对抗学习和多核局部最大均值离散度实现多粒度分布对齐，并设计基于预测熵的动态权重机制缓解难适应类别的负迁移问题，在三个基准数据集上平均诊断准确率达91.81%-99.29%，显著优于现有方法。

　　

李江|梁家旺|梅丽文|雷伟|李一兵

武汉理工大学机械与电子工程学院，中国武汉，430074

摘要

基于深度学习的无监督领域适应（UDA）已成为智能故障诊断的一个有前景的范式，在动态工业环境中展现出强大的监测潜力。然而，实际应用仍然受到在不同操作条件下领域变化导致的诊断性能下降这一关键挑战的阻碍。具体来说，现有方法通常通过独立处理样本来忽略样本间的内在拓扑结构，同时依赖于粗略且统一的单粒度对齐，这忽略了不同故障类别之间的异质性转移能力。为了解决这些限制，本文提出了多粒度混合图对抗网络（MHGAN）。MHGAN的独特之处在于它采用了图卷积网络（GCN）作为骨干，以明确捕捉拓扑关系，并结合了一种新颖的混合适应模块。该模块整合了多层相关性对齐、对抗学习和多核局部最大均值差异算法，以实现全面的分布对齐。此外，还设计了一种基于熵的自适应加权机制，用于动态优先处理难以转移的类别，有效缓解了负面转移现象。在三个基准数据集上的广泛实验表明，MHGAN的性能显著优于现有的最佳方法，平均诊断准确率分别达到了91.81%、97.59%和99.29%。值得注意的是，该模型在三十六个转移任务中表现出0.32%到14.96%的一致性提升，尤其是在涉及较大领域差异的挑战性场景中取得了显著收益。这些结果验证了将多粒度对齐与自适应类别级加权协同结合对于实现稳健故障诊断的重要性。

引言

旋转机械是现代工业系统的基础，其中轴承和齿轮等核心部件的健康状况对运行可靠性和安全性至关重要（Li, 2023; Li, Zhou, Li, Sun, Yan, Chen, 2022a）。随着深度学习技术的快速发展，数据驱动的故障诊断方法已成为最先进的技术（SOTA），在从复杂振动信号中自动提取区分性特征方面表现出色（Chen, Xiang, Liu, Xu, Li, 2024; Duan, Zhang, Shi, 2023; Jin, He, Wei, 2022; Wen, Li, Gao, Zhang, 2018; Xiao, Shao, Wang, Yan, Liu, 2024; Yan, Shao, Wang, Zheng, Liu, 2024; Zhu, Lei, Qi, Chai, Mazur, An, Huang, 2023）。

然而，这些数据驱动模型的实际应用常常受到旋转机械复杂工作环境的制约。在现实场景中，机械在旋转速度、负载、温度和环境因素变化等多种工作条件下运行（Xiao et al., 2025）。因此，在一种工作条件下训练的传统基于深度学习的故障诊断模型在不同条件下部署时往往会遭受严重的性能下降，极大地限制了它们的实际应用性和可靠性（Lin, Shao, Zhou, Cai, & Liu, 2023）。

为了缓解这些表现为测量信号分布差异的显著领域变化（Chen, Meng, Sun, Cao, Ren, Sun, Wu, 2025b; Zhang, Li, Cao, Yang, Xiang, 2025），提出了无监督领域适应（UDA）方法作为一种原理性解决方案（Ben-David, Blitzer, Crammer, Kulesza, Pereira, Vaughan, 2010; Li, Huang, Li, Liao, Chen, He, Yan, Gryllias, 2022b）。UDA方法主要分为两类：基于差异的方法，通过最小化领域间的统计距离（Hou, Mi, Lu, Wu, Yang, Huang, Huang, Wu, 2025; Qian, Luo, Qin, 2025; Shao, Kim, 2024）；以及通过对抗训练学习领域不变特征的对抗方法（An, Zhang, Chai, Liu, Huang, 2023; Yang, Zhang, He, Zhu, Xu, 2024）。这些方法在缓解领域变化方面表现出有效性。然而，它们主要依赖于将样本视为孤立实例的卷积神经网络（CNN）架构。因此，它们本质上忽略了包含诊断所需宝贵结构信息的内在样本间关系拓扑（Wu, Pan, Zhou, Chang, & Zhu, 2020）。

认识到拓扑信息的关键作用，图神经网络（GNN）最近成为故障诊断的一个有前景的方法（Chen, Wang, Mao, Liu, Cheng, 2025a; Dwivedi, & Bresson, Shao, Gao, Qu, Wan, Liu, 2025; Zhang, Stewart, Entezami, Roberts, Yu, 2020）。这种基于图的范式通过关系归纳偏差擅长捕捉结构模式，比单独处理样本的方法表现更优。然而，标准GNN主要假设训练数据和测试数据遵循相同的分布（Li, Zhao, Sun, Yan, & Chen, 2021）。因此，当在不同工作条件下部署时，即使这些具有结构意识的模型也会面临领域变化挑战，导致诊断准确性下降。

为了解决基于图的学习中的跨领域挑战，最近的研究开始探索专门为GNN定制的UDA技术（Ghorvei, Kavianpour, Beheshti, Ramezani, 2023; Zhong, Lin, Huang, Zhong, Zhong, 2025）。早期的对抗方法，如UDA-GCN（Wu et al., 2020）、ACDNE（Shen, Dai, Chung, Lu, & Choi, 2020）和DAGCN（Li et al., 2021），主要通过整合领域判别器和图特征提取来关注全局分布对齐。后续工作从结构角度进行了探索，StruRW（Liu et al., 2023）采用边重新加权来缓解来自噪声结构的负面转移，Pair-Align（Liu, Zou, Zhao, & Li, 2024b）利用几何成对对齐来减少结构变化。最近，非对称自适应图神经网络（A2GNN）（Liu et al., 2024a）优化了图传播方案，以增强领域不变表示。尽管取得了这些进展，现有方法通常在粗粒度或单粒度级别进行对齐。具体来说，对抗方法主要对齐全局边际分布（图1(a)），而结构方法关注拓扑一致性，但两者都未能明确对齐细粒度的类别条件分布（图1(b)）。因此，它们没有提供一种全面的多粒度对齐，无法在全局统计、局部子域和图结构之间协同协调特征（图1(c)），导致适应效果不佳，全局方法可能错配类别结构，而结构方法可能忽略更广泛的分布变化。

除了对齐粒度之外，不同类别之间的异质性转移能力也是一个关键挑战。标准的图UDA框架，包括上述方法和多通道方法（Chen, Ke, Xu, Peng, & Yang, 2023），隐含地假设跨领域的适应性是均匀的，因此在适应过程中对所有样本赋予同等重要性。然而，这种假设在实践中并不成立。在故障诊断的背景下，某些故障类型表现出稳定的区分性特征，在不同操作条件下保持一致，使其易于适应；而其他故障类型则表现出高度依赖于条件的特性，导致特征变化显著，使其难以适应。忽视这种异质性，现有模型往往将过多的优化资源分配给已经适应良好的简单类别，而在具有挑战性的类别上表现不佳，最终导致负面转移和整体性能下降。

为了克服这些限制，我们提出了一种新颖的多粒度混合图对抗网络（MHGAN）。MHGAN基于图卷积网络（GCN）作为骨干来捕捉拓扑依赖性，并结合了一种混合适应策略，协同结合了基于差异和基于对抗的范式，以对齐全局边际分布和细粒度的类别条件分布。此外，我们设计了一种自适应加权机制，根据预测熵动态评估目标伪标签，使模型能够根据转移难度分配资源。

本工作的主要创新和贡献总结如下：

1.

我们提出了一种多粒度混合对齐策略，独特地弥合了图结构学习和领域适应之间的差距。通过将对抗学习与相关性对齐（CORAL）和多核局部最大均值差异（MK-LMMD）这两种基于差异的范式协同结合，该策略实现了全局边际分布和细粒度类别条件分布的全面对齐。

2.

为了解决故障类别之间的异质性转移能力，我们设计了一种基于伪标签质量评估的新颖自适应加权机制。该机制利用预测熵动态地为难以适应的类别分配更高的重要性，从而有效缓解负面转移并提高对挑战性故障类型的诊断准确性。

3.

在三个标准的轴承故障数据集上进行了全面的跨领域诊断实验，证明MHGAN的性能优于现有的最佳方法（SOTA）。此外，严格的消融研究验证了每个提出组件的有效性，确认了多粒度和自适应对齐策略的稳健性。

本文的其余部分组织如下。第2节回顾了关于图卷积网络（GCN）和UDA的相关理论基础。第3节详细介绍了提出的MHGAN框架。第4节展示并分析了实验结果，第5节对本文进行了总结。

章节片段

图卷积网络

图卷积网络（GCN）将卷积操作从规则的欧几里得域推广到不规则的非欧几里得图结构。图通常表示为$G=(V,E$，其中$V$是N个节点的集合，$E$表示边的集合。结构信息封装在邻接矩阵$A\in R^{N\times N}$中。

GCN的目标是为节点学习一个特征表示矩阵$H^{\left(l\right)}\in R^{N\times d}$，其中d是特征维度。基于谱图卷积的一阶近似，

提出的方法

在本节中，我们详细介绍了提出的MHGAN框架，它包括四个主要组成部分：图构建、基于GCN的特征提取器、故障标签分类器和多粒度混合领域适应模块。整体架构如图2所示，详细的网络配置在表1中总结。

实验与分析

在这部分，为了全面评估提出的MHGAN模型的有效性和优越性，我们在三个数据集上进行了系列跨领域迁移学习实验：帕德博恩大学（PU）轴承数据集、PHM 2009齿轮箱数据集和CNC加工中心轴承数据集。

结论

本文提出了MHGAN，旨在解决在故障诊断中保持拓扑结构与跨领域差异之间的冲突。通过将GCN骨干与结合全局CORAL和局部MK-LMMD的分层对齐策略协同结合，所提出的框架通过基于熵的自适应加权机制成功缓解了负面转移。

大量的实证证据验证了设计目标的实现。MHGAN

CRediT作者声明

李江（第一作者）：概念化、方法论、调查、形式分析、监督、资源；梁家旺：概念化、软件、方法论、可视化、数据管理、验证、撰写 - 原稿；梅丽文：数据管理、调查；雷伟：概念化、资源；李一兵（通讯作者）：监督、资金获取、资源、监督。

利益冲突声明

我们声明与可能不恰当地影响我们工作的其他人或组织没有财务和个人关系，对于任何可能被视为影响本文立场或评审的手稿“基于无监督领域适应的多粒度混合图对抗网络用于故障诊断”的产品、服务和/或公司，我们没有任何专业或其他形式的个人利益。