数据驱动的智能故障诊断方法凭借其卓越的性能受到广泛关注，在保障制造系统安全稳定运行方面具有重要价值。现有的基于学习的故障诊断方法在稳态工况下表现优异，但是其性能依赖于训练数据和测试数据的独立同分布且工况稳定的假设，在实际应用中的性能受限。时变工况下的迁移故障诊断未被充分探索，智能诊断仍旧面临巨大的挑战。
(1) 巨大的域分布偏移：时变工况下采集的诊断数据具有不恒定的故障脉冲间隔、变化的故障特征、波动的振幅、相位变化以及噪声污染等特点，工况的时时变化导致数据分布差异变化显著，域分布偏移更明显。
(2) 故障特征重叠难分离：时变的工况导致同一种故障可能表现出来的不相似特征模式，不同类故障可能表现出相似的故障特征模式。在源域中可分性很好的不同故障类别，在目标域的特征空间中可能发生重叠，导致模型无法区分相应的故障特征。
为了提高时变跨域场景下的故障诊断性能，本研究提出一种基于自监督伪标签学习的跨域故障诊断方法，通过减小故障类内差异增大类间差异，保证重叠难分离故障样本的有效识别，实现时变跨域场景下的故障诊断。
针对时变工况下的跨域故障诊断问题，本研究提出的基于自监督伪标签学习(SPL)的跨域故障诊断方法,其框架如图1所示，主要包括样本增强模块、分布级特征对齐模块、样本级特征对齐模块和决策边界调整模块。
样本增强模块包括强样本增强和弱样本增强。在源域采用弱样本增强增加样本的多样性；在目标域分别采用弱样本增强德和强样本增强，弱样本增强的样本用于生成伪标签指导训练，强样本增强样本的样本用于跨域对齐过程中增加样本扰动，提高泛化性能和增强模型域对齐能力。
分布级特征对齐模块用于提取故障特征，并对源域样本和目标域强增强样本之间的特征分布进行对齐。在该模块中，柯西最大均方差异被设计用于对特征分布进行对齐，并减少时变工况条件造成的域偏移。同时，在源域中，监督学习和经验分类风险最小化被用于对同一类故障特征进行聚类，并将不同类故障特征区分开来。
样本级特征对齐模块是基于所设计的类混淆最小化策略实现的。类混淆最小化的设计旨在减少因类内差异大和类间相似性强而导致的负影响，它能够将目标域中相同类别的故障特征聚集，并将不同的类别故障特征分离。
决策边界调整模块采用了伪标签训练策略和一致性正则化来调整决策边界，通过优化目标域与其扰动输出之间的概率分布差异，使决策边界自适应的分布在目标域故障特征分布稀疏的区域，提高混淆难分类样本的识别能力，从而提高了诊断性能。
提出的方法分别在自制试验台和KAIST时变数据集上进行了验证，主要研究结果如下：（1）在自制实验台上采集时变的数据的对比结果如图2所示，所提方法在四种不同的时变任务上，展现出优越的性能，平均诊断精度达95.70%, 优于对比方法至少8%。
本研究提出了一种新的时变跨域诊断框架。分别采用样本扩充、分布级特征对齐、样本级对齐以及决策边界调整等手段提取故障特征、减少域差异、避免负迁移并提高识别精度。具体而言，样本扩充用于增加样本多样性，并为特征提取提供监督信息。设计了柯西最大均方差异用于减少域差异来进行分布级特征对齐差异。建立了基于伪标签训练的学习策略，用于通过最小化目标域与其扰动输出之间的分布差异来调整决策边界，从而使决策边界分布到不同类别样本的稀疏聚类区域。此外，类间混淆最小化被用于样本级别的加权对齐，它能够实现同类内和跨类别的分布对齐，并减少因类内差异较大和类间相似度较低而导致的负迁移。该方法能够有效地识别难以区分的混淆样本，在实现同类内和跨类别的对齐的同时提高故障诊断的准确性。
未来将致力于研究更为泛化的时变跨域模型，以期获得在更复杂的场景下的优越性能。
科学技术的发展离不开科研仪器的进步。凯视迈（KathMatic）自2014年创建以来，一直“致力于高精尖光学测量技术”，已成为集“研发、制造、销售”为一体的国产高端光学精密测量仪器新力量。推出了KC系列多功能精密测量显微镜🔬、KS系列超景深3D数码显微镜🔬以及KV系列激光多普勒测振系统，取得了良好的市场成绩。详情欢迎留言咨询!
