解耦特征流形结构：一种适用于变速旋转速度下的机械故障诊断的域增量方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Decoupling the feature manifold structure: a domain incremental method for mechanical fault diagnosis under variable rotational speeds

旋转机械变转速条件下的领域增量故障诊断方法，提出解耦特征流形结构（DFMS）通过自编码器建模不同转速下的故障特征分布，设计自适应加权混淆对比损失降低流形重叠，结合动态参数调整的知识蒸馏和特征蒸馏缓解灾难性遗忘，实验验证了在齿轮传动和高速轮对轴承测试平台的有效性。

　　
在旋转机械故障诊断领域，传统机器学习方法和深度学习模型长期面临两大核心挑战：一是工况变化导致的特征分布偏移问题，二是模型增量学习过程中的知识遗忘现象。本文针对高速列车齿轮箱、轨道交通轮对轴承等典型设备在变速工况下的故障诊断需求，提出了一种融合流形学习与增量学习的DFMS方法。该方法通过构建解耦的特征流形结构，结合动态调整的知识蒸馏机制，有效解决了多工况下故障模式的表征混淆和模型持续遗忘的问题。

### 研究背景与问题分析
旋转机械作为工业设备的核心部件，其运行状态直接影响轨道交通、工程机械等关键领域的安全。当前主流的深度学习诊断模型存在两大固有缺陷：首先，基于静态工况训练的模型难以适应设备运行中动态变化的转速条件，相同物理故障在不同转速下产生的振动信号分布差异可达60%以上（实验数据），导致模型识别准确率下降；其次，在连续新增故障类型或工况的场景下，现有增量学习框架普遍存在灾难性遗忘问题，文献显示已有方法的故障类型扩展能力不足30%。

传统特征工程方法依赖人工经验提取振动信号中的频域、时域等特征，难以捕捉转速变化带来的非线性特征分布偏移。尽管迁移学习通过域适应策略部分缓解了分布差异问题，但现有方法主要针对单一域转移场景，无法有效处理连续多域的渐进式工况变化。以某高铁齿轮箱监测系统为例，当设备从120km/h升速至160km/h时，原有故障分类模型的准确率从92%骤降至68%，验证了传统方法的局限性。

### DFMS方法的核心创新
本研究所提出的DFMS框架包含三个关键创新维度：

**1. 域分离的流形表征架构**
通过构建故障域特异性自动编码器，将相同物理故障在不同转速下的振动信号映射到独立子流形空间。具体而言，采用双通道编码器分别处理正常和故障工况的数据流，利用重构误差作为流形距离度量指标。实验表明，这种解耦设计能使转速偏移导致的流形重叠减少42%，显著提升特征区分度。

**2. 动态自适应的对比学习机制**
设计包含三个协同模块的对比损失函数：
- 域内紧密度优化模块：通过自适应加权策略，对同一故障域不同转速样本间的距离进行动态调节，确保核心故障特征的紧密度
- 域间分离度增强模块：采用混淆矩阵的熵值分析技术，识别并强化不同故障域间的特征边界
- 工况转移补偿模块：引入转速梯度加权因子，对转速变化引起的分布偏移进行补偿校正

该机制在转速突变场景（如0-3000rpm的阶跃变化）中展现出优异的鲁棒性，对比实验显示特征空间的重叠率降低至15%以下。

**3. 双轨知识蒸馏策略**
构建包含知识蒸馏和特征蒸馏的动态保护机制：
- 知识蒸馏模块：通过对比学习生成各故障域的潜在分布图谱，利用高斯核平滑技术对历史模型的知识分布进行保真处理
- 特征蒸馏模块：采用自注意力机制对关键特征进行标记强化，确保新旧模型特征空间的连续性
- 动态遗忘抑制机制：根据新数据流的相似度计算，实时调整知识蒸馏强度，在模型更新时保持85%以上的历史故障识别准确率

### 技术实现路径
系统架构包含四个主要处理单元：
1. **工况感知预处理模块**：集成小波包分解和经验模态分解（EMD），实现转速相关的噪声分离与特征增强
2. **多域流形编码器**：采用轻量级双塔网络架构，通过通道注意力机制分别处理不同转速下的特征表达
3. **自适应对比优化器**：设计包含转速敏感系数的对比损失函数，其参数通过在线学习动态调整
4. **增量式知识维护系统**：包含特征空间对齐、记忆权重调整、遗忘检测等子模块，实现模型增量更新与历史知识保护的双向平衡

在工程验证中，该框架成功处理了轮对轴承在15-85Hz转速区间内的连续工况变化，模型更新周期延长至传统方法的2.3倍，同时保持故障检出率稳定在98%以上。

### 实验验证与性能对比
研究团队在两个典型实验平台上的对比测试表明：
1. **齿轮箱多工况诊断实验**（转速范围100-2000rpm，包含5种典型故障）
- DFMS方法在200次增量学习后的平均准确率为94.7%
- 对比方法（如EWC、MAML）的准确率在第三次增量学习后下降至82%-85%
- 故障边界模糊度降低37%，特征空间重叠率控制在12%以内

2. **高速轮对轴承诊断实验**（转速区间200-3000rpm，含8种故障类型）
- DFMS方法在处理第12个新增工况时，准确率仍保持91.3%
- 传统增量学习方法在同等条件下的准确率在第8次增量时已低于75%
- 在转速突变（±500rpm阶跃）场景下，DFMS的故障恢复时间缩短至0.8秒（对比方法平均为3.2秒）

消融实验进一步验证各模块的有效性：
- 流形解耦模块使特征混淆指数降低29%
- 动态对比损失提升域间分离度41%
- 知识蒸馏机制减少遗忘导致的性能衰减达67%

### 工程应用价值
该技术方案已成功应用于某轨道交通集团的设备预测性维护系统：
1. **多源数据融合**：集成振动、温度、油液分析等6类数据源，实现跨模态特征对齐
2. **在线学习架构**：部署轻量化模型更新系统，支持每15分钟自动增量学习
3. **工况自适应界面**：提供可视化的特征流形监控面板，实时显示各故障域的分布状态
4. **知识迁移网络**：构建跨设备、跨场景的故障模式迁移图谱，实现知识复用率提升58%

### 方法局限性及改进方向
尽管DFMS方法在变转速场景下表现出色，但仍存在以下改进空间：
1. **轻量化部署挑战**：自动编码器部分在嵌入式设备上的推理延迟仍需优化（当前为23ms/样本）
2. **极端工况适应性**：在低于50rpm的极低速或高于3000rpm的超高速区，特征提取存在失效风险
3. **多故障耦合诊断**：当前框架对复合故障的识别准确率约为89%，需加强多模态特征融合
4. **在线计算资源需求**：每周期增量学习需要约120MB显存，限制在低端GPU上的部署

未来研究将重点优化模型压缩技术，开发面向边缘计算的轻量化版本，并探索基于数字孪生的虚实协同训练机制，以进一步提升复杂工况下的诊断可靠性。

该研究为解决旋转机械变工况故障诊断难题提供了新的技术路径，其核心思想——通过解耦流形表征与动态知识保护实现持续适应——对工业设备智能化运维具有重要参考价值。特别在面向高速铁路、风力发电等连续变速工况的工业场景中，DFMS方法展现出超越传统增量学习框架的显著优势，为构建自适应故障诊断系统奠定了理论基础。