《Applied Soft Computing》：Cross-domain bearing fault diagnosis using multi-loss deep adaptation with pseudo-label refinement and maximum mean discrepancy-based alignment
编辑推荐：
针对滚动轴承故障诊断中存在的域移问题，提出一种融合多损失深度自适应策略、置信度感知伪标签优化与MMD分布对齐的创新框架。通过BiGRU-WDCNN架构提取时空特征，结合监督分类、无监督分布对齐和自监督伪标签 refinement，实现跨域条件下的高精度诊断（94.85%-99.47%准确率），且模型参数量仅97,600，推理速度达0.927ms/样本，显著优于传统方法。摘要部分共98字。
曾伟|吴俊民|陈阳|兰金凯|卢俊文|李晓刚|郭天文|张培凯|杜少义
龙岩大学物理与机电工程学院，中国福建省龙岩市364012
摘要
在变化的操作条件下，对滚动轴承进行准确且可靠的故障诊断对于确保工业系统的可靠性和安全性至关重要。然而，由于负载、转速、传感器配置和数据采集平台的变化导致的领域偏移（domain shift），诊断性能往往会显著下降。为了解决这一挑战，我们提出了一种新颖的跨领域轴承故障诊断框架，该框架结合了多损失深度适应策略、基于置信度的伪标签优化以及最大均值差异（MMD）的分布对齐方法。从人工智能的角度来看，该架构包含三个关键组成部分：（1）一个增强了双向门控循环单元（BiGRU）模块的宽深度卷积神经网络（Wide Deep Convolutional Neural Network），用于跨领域进行时空特征提取；（2）基于MMD的领域对齐，以最小化特征分布的差异；（3）基于置信度的伪标签生成，选择性纳入高置信度的目标预测。这些组件通过一个统一的损失函数进行联合优化，该损失函数结合了监督学习、无监督的MMD对齐和自监督的伪标签优化。在帕德博恩大学（Paderborn University）和贾瓦哈拉尔·尼赫鲁大学（Jawaharlal Nehru University）的数据集上进行的大量实验表明，该方法在多种迁移场景下表现出优越的性能，跨领域准确率分别达到了94.85%和99.47%，显著优于基线方法。消融研究验证了MMD和BiGRU模块的互补作用。该框架的设计非常轻量级（参数量为0.0976M，每秒浮点运算次数为2.02M次），能够实现实时推理（每个样本0.927毫秒），在计算成本上比基于残差神经网络（Residual Neural Network）的方法高出95%，同时保持了可靠性。从工程应用的角度来看，该框架解决了在不同条件下轴承故障诊断的关键问题，为制造和能源系统中缺乏标记目标数据的情况提供了计算效率高的解决方案。
引言
滚动轴承是工业旋转机械的基本组成部分，其运行可靠性直接影响系统的安全性、生产力和维护成本。统计分析表明，与轴承相关的故障约占所有旋转机械故障的45-55%，每年在制造、能源和运输等行业造成数十亿美元的经济损失[1]。因此，开发能够早期和准确检测故障的智能故障诊断系统已成为一个关键的研究重点。
深度学习的最新进展，特别是卷积神经网络（CNN），通过从原始振动信号中自动提取特征，彻底改变了轴承故障诊断的方式[2]、[3]、[4]。然而，这些数据驱动的方法本质上假设训练数据和测试数据遵循相同的统计分布，而在现实世界的工业场景中这一假设经常被违反。由于操作条件（负载、速度）、传感器配置、环境因素和设备老化的变化引起的领域偏移现象，当在一个领域训练的模型被应用于另一个领域时，诊断性能会显著下降[5]、[6]。
无监督领域适应（UDA）技术作为解决跨领域泛化挑战的有希望的方法应运而生[7]、[8]。然而，现有的基于UDA的故障诊断方法面临三个关键限制：（i）高维特征分布在不同领域之间的对齐不足，导致知识转移不理想；（ii）在目标领域适应过程中，由于不可靠的伪标签积累错误，特别是在早期训练阶段；（iii）表示学习与决策边界优化的整合不足，导致在严重领域偏移情况下适应性能较差。
为了解决上述研究空白，本文提出了一种领域自适应的轴承故障诊断框架，该框架与现有的基于最大均值差异（MMD）和对抗性领域适应（DA）方法有根本不同。首先，与仅执行边际分布匹配的传统MMD方法不同，我们的框架结合了基于置信度的伪标签优化，以同时减少边际和条件差异。伪标签模块使用基于熵的标准和退火加权调度动态过滤高置信度的目标样本，从而防止早期标签噪声并实现渐进式的决策边界优化。其次，与性能严重依赖于不稳定的极小极大优化的对抗性DA方法不同，我们的方法采用了一种统一的多损失优化策略，将监督学习、基于MMD的对齐和自适应训练以数学上一致的方式结合起来。这种耦合确保了伪标签的可靠性直接指导特征对齐，实现了更紧密且更具语义意义的分布匹配。第三，所提出的双向门控循环单元-宽深度卷积神经网络（BiGRU-WDCNN）混合框架同时捕捉了长期的时间依赖性和局部故障模式，提供了比之前的基于CNN或ResNet的DA模型更具区分性和领域不变性的表示。
这些创新是必要的，因为在不同速度、负载和传感器配置下收集的振动信号表现出强烈的非平稳性和条件偏移，这些现象无法仅通过传统的MMD或对抗性对齐来解决。通过结合基于置信度的伪标签生成和显式的分布对齐，所提出的方法有效减少了错误积累，稳定了学习动态，并在领域偏移下提供了改进的泛化理论保证。实际上，该框架在PU和JNU数据集上实现了优越的跨领域性能，同时保持了极轻量级的设计（参数量为0.0976M），证明了其适用于实时工业部署。
相关工作
滚动轴承故障诊断一直是研究的热门领域。随着机器学习和深度学习的兴起，提出了多种方法来提高故障分类性能。本节从三个关键角度回顾了相关工作：基于传统和深度学习的故障诊断、用于智能诊断的迁移学习，以及用于跨领域泛化的领域适应方法。
数据库介绍
为了评估所提出的跨领域诊断框架的有效性，我们使用了两个公开可用且结构多样的轴承故障数据集：帕德博恩大学（PU）数据集[34]和贾瓦哈拉尔·尼赫鲁大学（JNU）数据集[35]。这些数据集在数据采集设置、传感器位置、故障类别和操作负载方面存在显著差异，为领域适应研究提供了具有挑战性和现实性的基准。
方法
本节详细介绍了所提出的领域自适应轴承故障诊断框架。该框架旨在应对工作条件、传感器配置和故障模式跨领域变化的挑战。它包含了一个精心构建的架构，集成了深度时间特征提取、统计分布对齐和基于置信度的自适应训练。
理论分析和收敛性证明
在本节中，我们对所提出的多损失深度适应框架提供了严格的理论分析，包括收敛性保证和泛化界限。理论基础确立了我们方法的数学合理性，并提供了对优化动态的洞察。
实验设置与分析
为了验证所提出的领域自适应故障诊断框架的有效性和泛化能力，我们在PU和JNU轴承故障数据集上进行了各种领域迁移场景下的全面实验。
讨论
本节对实验结果进行了批判性分析，将所提出的方法与代表性的最先进技术（SOTA）方法进行了比较，并强调了该方法的优势、实际意义和潜在限制。
结论
本文提出了一种新颖的多损失领域适应框架，用于解决在不同操作条件下进行跨领域轴承故障诊断的挑战。通过结合监督学习、基于置信度的伪标签优化和基于MMD的分布对齐，该框架有效缓解了领域偏移，并提高了学习特征的泛化能力。在PU和JNU两个基准数据集上的实验验证表明，所提出的方法
CRediT作者贡献声明
曾伟：撰写原始草稿、监督、项目管理、方法论、研究调查、资金获取、概念化。吴俊民：可视化、验证、软件开发、形式化分析、数据管理。陈阳：撰写与编辑、验证、研究调查、形式化分析。兰金凯：可视化、验证、资金获取、形式化分析、数据管理。卢俊文：软件开发、资源管理、数据管理。李晓刚：资源管理、形式化分析，
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本项工作部分得到了福州市-厦门市-泉州市国家自主创新示范区智能仓储和物流系统关键技术合作创新平台项目（福建省科学技术厅，项目编号：2025E3024）、福建省自然科学基金（项目编号：2025J011700、2025J011703）以及福建省青年和中青年教师教育研究项目的支持。
