一种不平衡的领域对抗性超图卷积网络，用于旋转机械的鲁棒故障诊断

《Expert Systems with Applications》：An imbalanced domain-adversarial hypergraph convolutional network for robust fault diagnosis of rotating machinery

针对旋转机械多域工况下长尾故障分布问题，提出IDAHGCN模型，通过超图卷积捕获高阶样本关系，结合域对抗训练降低跨域差异，并采用类平衡重采样、类对齐和边约束正则化协同优化，有效提升稀有故障识别能力，实验表明在JNU和HIT数据集上显著优于基线方法。

　　

吴张军|罗远生|陈淼|郭亚光|邵海东

安徽合肥工业大学管理学院，中国合肥230009

摘要

当旋转机械的运行条件在不同领域发生变化，且故障数据呈现长尾分布时，可靠的故障诊断变得具有挑战性。在这种情况下，传统的深度学习模型通常会遇到迁移能力下降和难以识别罕见但关键故障的问题。本文提出了IDAHGCN（不平衡领域对抗性超图卷积网络），该网络能够同时解决领域迁移和类别不平衡问题。IDAHGCN通过构建超图来编码样本之间的群体关系，从而实现超越简单成对连接的结构性表示学习。在此基础上，采用领域对抗性超图卷积网络来学习具有区分能力的特征，同时减少跨领域差异。为了进一步提高对少数故障的识别能力，IDAHGCN整合了类别平衡重加权、类别对齐和基于边界的正则化机制。在两个广泛使用的旋转机械数据集上进行的实验表明，与代表性的无监督和不平衡领域适应基线方法相比，IDAHGCN在准确率以及Macro-F1和G-mean等不平衡敏感指标上均表现出持续改进。此外，关于噪声鲁棒性和计算效率的额外分析进一步证明了该框架在安全关键工业诊断中的实用性。

引言

确保旋转机械的可靠和安全运行是现代工业系统的基本要求（Chen等人，2025年；Brito等人，2023年）。旋转机械广泛应用于制造、运输、航空航天和能源领域，它们经常在恶劣且多变的条件下运行（Men和Zhao，2023年；Li等人，2021年）。如果未能及时检测到故障，可能会导致生产损失、设备损坏和严重的安全事故（Meléndez-Useros等人，2026年；Chen等人，2024年）。因此，可靠的故障诊断对于运行安全和系统可靠性至关重要（Bo等人，2025年；Xiao等人，2025年）。

得益于人工智能的快速发展，深度学习在智能故障诊断方面取得了显著成就。这些模型可以从原始或转换后的传感器信号中学习出具有区分能力的表示，并减少了对手动特征工程的依赖（Han等人，2025年；Peng等人，2025年）。卷积神经网络（He等人，2026年）、自编码器（Mo等人，2025年；Liao等人，2025年）和Transformer架构（Wu等人，2026年；Chen等人，2024年）已被用于处理时域、频域和时频输入的数据。然而，实验室数据集上的良好结果并不总能直接应用于实际场景（Liu，2025年；Liao等人，2024年）。在不同负载、速度、传感器配置或机器条件下收集的数据往往存在领域迁移现象，这会削弱模型的泛化能力（Li等人，2026年；Chen等人，2025年）。

为了解决这个问题，无监督领域适应（UDA）已被广泛研究用于故障诊断（Chen等人，2025年；Zheng等人，2026年）。UDA旨在通过减少标记源领域和未标记目标领域之间的差异来学习领域不变表示。最大均值差异（MMD）常用于差异最小化（Ganin和Lempitsky，2015年），而基于梯度反转层的对抗学习是另一种主流方法（Qian等人，2025年；Yang等人，2024年）。这些技术可以在许多跨领域场景中有效对齐边缘特征分布（Li等人，2024年；Ren等人，2024年）。然而，工业故障数据很少满足领域间类别分布相似的隐含假设。罕见但关键的安全故障往往被忽视，这导致分类器偏向多数类别，并且由于少数样本的支持不足而削弱了类别间的一致性（Li等人，2024年）。因此，即使总体准确率看起来很高，UDA方法仍可能遗漏少数故障（Kuang等人，2022年；Wang等人，2025年）。

最近的研究将不平衡感知策略集成到领域适应中，从而发展出不平衡领域适应（IDA）（Lee等人，2024年）。代表性的解决方案包括成本敏感加权（Shu等人，2025年）、基于混合的插值（Huang等人，2026年）以及能够处理分布外样本的半监督框架（Wu等人，2024年）。尽管这些方法很有价值，但它们通常独立处理样本，可能会忽略由共同运行机制和退化过程引起的结构依赖性。

图神经网络（GNNs）最近被引入到故障诊断中，用于建模这种依赖性（Cong等人，2026年）。通过编码样本之间的成对关系，消息传递可以提高模型的鲁棒性和迁移能力（Niu等人，2025年）。领域对抗性图卷积网络（DAGCN）结合了图卷积和对抗性适应，以利用结构信息（Qian等人，2025年），Zhu等人提出了一个双对比多视图图注意力网络来增强对齐性和类别一致性（Zhu等人，2025年）。然而，当噪声较强或特征重叠时，成对边可能会变得不稳定。更重要的是，标准图难以直接表示反映共同运行条件或常见故障机制的高阶关系。

超图神经网络通过允许每个超边连接多个节点来扩展图的结构，从而实现高阶的群体依赖性（Shi等人，2023年）。这种结构在故障诊断中提供了更清晰的物理解释。受相同机制控制的样本在其时频特性上往往表现出协调变化，超边有助于从这种群体级规律性中学习，而不是不稳定的成对链接（Hu等人，2025年）。同时，不平衡感知学习技术，如成本敏感重加权（Zhu等人，2025年）、类别对齐特征（Yang等人，2025年）和基于边界的正则化（Zhang等人，2025年），对于提高少数类别的可分离性仍然很重要。然而，将超图建模与不平衡领域适应相结合的统一框架仍然有限。

为了解决这些挑战，我们提出了IDAHGCN，这是一种专为领域迁移和类别不平衡条件下的故障诊断设计的不平衡领域对抗性超图卷积网络。超图生成层从局部邻域结构中构建高阶样本关系，超图卷积主干与结构感知的领域对抗性对齐相结合，以学习具有区分能力和迁移能力的表示。通过结合重加权、类别对齐和基于边界的正则化的混合策略，进一步处理类别不平衡问题。在公开可用的基准数据集上的广泛实验表明，IDAHGCN始终优于竞争性基线。这些改进得到了超图与GNN比较、噪声鲁棒性测试以及F1分数和G-mean等不平衡敏感指标的支持，并通过FLOPs和推理延迟来评估效率。

本文的其余部分组织如下：第2节介绍理论背景；第3节详细阐述所提出的方法；第4节描述数据集、评估指标和实验设置；第5节讨论我们的方法的结果和有效性；第6节总结主要发现并总结全文。

节选内容

理论背景

智能故障诊断的最新进展强调了处理领域迁移、类别不平衡以及现实世界工业数据中常见的结构复杂性的重要性（Wang等人，2025年；Sun等人，2026年）。解决这些耦合挑战的方法基于机器学习中的几个核心概念。本节总结了所提出框架的理论基础。我们首先介绍领域对抗性学习，其目的是减少...

提出的方法

本节介绍了IDAHGCN，这是一个用于旋转机械的跨领域故障诊断框架，能够同时处理领域迁移和类别不平衡问题。该框架专为特征分布在不同运行条件下变化较大以及少数故障被忽视的复杂工业环境而设计。IDAHGCN结合了三个互补的组件。首先，采用领域对抗性学习来减少跨领域差异并促进领域不变表示。

实验设置

本节描述了用于严格评估所提出的IDAHGCN框架性能的实验设置。我们首先介绍了研究中使用的两个具有挑战性的旋转机械数据集：江南大学（JNU）轴承数据集和哈尔滨工业大学（HIT）航空发动机轴间轴承数据集。随后，我们概述了用于模拟真实工业场景的IDA协议。最后，我们介绍了基线方法...

结果与讨论

本节展示了IDAHGCN在JNU和HIT数据集上的实验结果以及与比较方法的结果。我们提供了详细分析，以评估所提出方法在各种领域适应场景下的有效性。分析之后是消融研究，以评估每个关键组件的贡献，并通过可视化实验提供对学习到的表示和适应过程的直观理解。

结论

本文提出了IDAHGCN，这是一种用于旋转机械跨领域故障诊断的不平衡领域对抗性超图卷积网络。该框架结合了高阶结构表示学习和不平衡感知的领域适应，从而能够在统一模型中处理特征迁移和长尾标签分布问题。通过构建连接多个相关样本的超边，超图编码器能够利用群体级...

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。