一种掩码引导特征解耦的多源域泛化跨设备故障诊断方法及系统

本发明属于但不限于机械设备故障诊断，尤其涉及一种掩码引导特征解耦的多源域泛化跨设备故障诊断方法及系统。

背景技术：

1、在现代工业体系中，机械设备作为核心资产，广泛部署于石油化工、风力发电、轨道交通等关键领域，其运行状态直接关系到生产安全与经济效益。随着工业自动化与智能化水平的不断提升，设备正朝着大型化、集成化、高负荷方向演进，运行环境日趋复杂。滚动轴承、齿轮等关键部件长期在变转速、变负载、强噪声等恶劣工况下运行，极易发生磨损、裂纹、断齿等故障。然而，由于不同设备在结构设计、加工装配、传感器配置及运行环境等方面存在显著差异，从某一特定设备（源域）采集的数据训练得到的故障诊断模型，直接应用于另一设备（目标域）时，往往因数据特征分布发生严重偏移（domain shift）而导致诊断性能急剧下降，甚至完全失效。这一问题在目标设备为新装机或缺乏历史故障记录的场景下尤为突出，严重制约了智能诊断技术的跨设备泛化能力。

2、为解决上述技术问题，现有技术中提出了一类基于域泛化（domaingeneralization）的故障诊断方法。该类方法的核心思想是利用多个源域数据学习一个通用的特征表示，使其能够直接泛化到训练阶段从未见过的目标域，而无需任何目标域数据参与适配。现有方法主要包括基于数据增强的策略（如添加噪声、时域裁剪等）和基于特征对齐的策略（如最小化多个源域之间的分布差异）。然而，这些方法存在显著的技术缺陷：它们大多将不同设备间的分布差异视为一个整体进行弱化，却无法有效解耦设备无关的故障本质特征与特定设备相关的干扰特征。在实际跨设备诊断任务中，即使同一故障类型，在不同设备上呈现的振动模式也往往夹杂着设备自身的结构共振、安装偏差等域特定信息。现有方法无法在特征空间中将这两类信息显式分离，导致学习到的特征表示既包含故障判别信息，也残留了设备特异性干扰。当面对与源域差异极大的未知目标设备时，这种混杂的特征表示会引发严重的类别错分和泛化性能退化。

3、因此，如何在训练阶段仅利用多个有标签源域数据，无需任何目标域数据参与，就能有效解耦域不变故障特征与域特定干扰特征，从而实现对完全未知设备的精准故障诊断，是本领域目前亟待解决的技术难题。

技术实现思路

1、针对现有技术在跨设备故障诊断中，目标设备在训练阶段完全不可见的条件下存在的泛化能力差、故障本质特征与设备干扰特征难以解耦等技术问题，本发明提供了一种掩码引导特征解耦的多源域泛化跨设备故障诊断方法，通过融合智能随机通道掩码机制、互信息最小化与自适应三元组损失，在无需任何目标域数据的情况下，降低域不变故障特征与域特定干扰特征之间的信息混杂，从而提升诊断模型在未知目标设备上的泛化能力和可靠性。

2、本发明是这样实现的，一种掩码引导特征解耦的多源域泛化跨设备故障诊断方法，包括如下步骤：

3、步骤1，获取至少两个源域设备的机械振动信号以及对应的故障类别标签，对所述机械振动信号进行样本划分和标准化处理，得到多个带标签源域样本集；

4、步骤2，将所述源域样本输入特征提取器，提取浅层特征，并根据所述源域样本的故障类别标签构建由锚点样本、正样本和负样本组成的三元组；

5、步骤3，将所述浅层特征输入掩码生成器，分别生成域不变掩码和域特定掩码，将所述域不变掩码和域特定掩码分别与所述浅层特征进行逐通道加权，得到域不变特征和域特定特征；

6、步骤4，根据所述域不变掩码和域特定掩码确定互信息最小化损失，根据所述域不变特征、域特定特征及浅层特征确定特征重构损失，根据所述三元组确定三元组损失，并根据所述域不变特征及故障类别标签确定源域分类损失；根据包含所述源域分类损失、三元组损失、互信息最小化损失和特征重构损失的联合目标函数，对所述特征提取器、掩码生成器和分类器进行训练，其中训练过程不使用目标域设备数据；

7、步骤5，将目标域设备的待诊断机械振动信号输入训练后的特征提取器和掩码生成器，获得所述待诊断机械振动信号的域不变特征，并由所述分类器根据所述域不变特征输出故障类别。

8、进一步，所述模型各模块的功能为：

9、浅层特征提取器，用于从输入的源域样本中提取富含时域细节的浅层卷积特征，避免深层网络对设备特异性信息的过度抽象；

10、掩码生成器，分别生成域不变掩码和域特定掩码，将浅层特征逐通道加权后解耦为域不变特征和域特定特征；

11、分类器，仅与域不变特征相连，用于根据解耦后的域不变特征对源域样本进行分类，预测故障类别。

12、进一步，所述浅层特征提取器采用一维深度收缩残差网络（1d-drsn）的前期卷积层构建，以提取富含时域细节的浅层特征，避免深层网络对设备特异性信息的过度编码；

13、在该特征空间中，设计锚点-正样本-负样本三元组采样策略，并引入自适应边界三元组损失，强制同类故障样本聚集、异类样本分离，从而增强特征的判别能力。

14、进一步，所述掩码生成器接收浅层特征提取器输出的浅层特征，并分别生成域不变掩码和域特定掩码；将所述域不变掩码与所述浅层特征进行逐通道加权，得到域不变特征，将所述域特定掩码与所述浅层特征进行逐通道加权，得到域特定特征。

15、进一步，所述掩码生成器的实现方式为：

16、输入浅层特征，经卷积和批归一化处理后引入随机扰动层，通过softmax层将中间特征映射为通道概率分布，再经卷积、批归一化、池化及激活处理；两个子网络分别输出域不变掩码和域特定掩码，两个掩码不预先限定为逐通道严格互补关系，并分别与浅层特征进行逐通道加权以获得域不变特征和域特定特征，。

17、进一步，步骤4中所述联合目标函数中的各项损失定义为：

18、源域分类损失，采用交叉熵损失，用于监督浅层特征提取器和分类器的训练，使其能够准确识别源域中的故障类别；

19、自适应三元组损失，用于在浅层特征空间中构建锚点-正样本-负样本三元组，强制同类故障样本聚集、异类样本分离，增强特征的判别能力，其边界参数按锚点类别动态调整；

20、互信息最小化损失，采用互信息神经估计框架估计域不变掩码与域特定掩码之间的互信息，用于降低两个掩码之间的统计依赖性，以促使两个掩码形成差异化的通道分配方式；

21、特征重构损失，采用frobenius范数度量由域不变特征与域特定特征组合得到的重构特征和原始浅层特征之间的差异，以使所述重构特征逼近原始浅层特征。

22、本发明的另一目的在于提供一种掩码引导特征解耦的多源域泛化跨设备故障诊断系统，其特征在于，包括：

23、多源域数据采集模块，用于采集多个不同源域设备的带标签机械振动信号；

24、数据预处理与增强模块，用于将所述振动信号切片、标准化并添加高斯扰动噪声，形成源域增强样本集；

25、浅层特征提取与三元组增强模块，用于构建一维深度收缩残差网络提取浅层特征，并计算自适应三元组损失；

26、掩码生成与特征解耦模块，用于生成域不变掩码和域特定掩码，将浅层特征解耦为域不变特征和域特定特征；

27、互信息最小化模块，用于估计域不变掩码与域特定掩码之间的互信息，并生成用于降低两个掩码统计依赖性的互信息最小化损失；

28、特征重构模块，用于计算原始浅层特征与重构特征之间的重构损失；

29、分类模块，仅与域不变特征相连，用于预测故障类别；

30、模型训练模块，用于将多个源域样本集输入模型，通过联合优化源域分类损失、自适应三元组损失、互信息最小化损失和特征重构损失，对模型进行端到端训练；

31、故障诊断模块，用于接收训练完成的模型，并对完全未见过的目标域待测数据进行处理，输出最终的故障类别。

32、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的掩码引导特征解耦的多源域泛化跨设备故障诊断方法的步骤。

33、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的掩码引导特征解耦的多源域泛化跨设备故障诊断方法的步骤。

34、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端包括所述的掩码引导特征解耦的多源域泛化跨设备故障诊断系统。

35、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

36、本发明通过设计智能随机通道掩码机制，实现了对域不变故障特征与域特定干扰特征的显式解耦。该设计解决了现有域泛化方法难以分离设备相关变异与故障本质语义，导致在极端工况迁移下特征混淆、泛化性能严重退化的核心技术难题，从根本上提升了模型在完全未知设备上的特征判别能力和诊断准确率。

37、针对现有方法未能有效利用多源域数据中的判别结构信息的问题，本发明引入自适应边界三元组损失，通过构建同类聚集、异类分离的特征几何约束，增强域不变特征的判别性。同时，结合互信息最小化损失与特征重构损失，在保留原始浅层特征有效信息的同时，降低域不变掩码与域特定掩码之间的统计依赖，促进两类特征形成差异化的信息分工。

38、本发明采用完全无监督的域泛化范式，在整个诊断过程中无需目标域的任何数据（包括无标签数据），仅利用多个有标签源域数据即可实现对完全未知设备的高精度零样本诊断。这种特性解决了传统智能诊断模型在新设备部署时必须依赖目标域数据进行适配或标注的技术瓶颈，显著降低了智能运维系统的部署成本和应用门槛，尤其适用于新装机设备或缺乏历史数据的工业场景。

39、本发明通过将掩码引导特征解耦、自适应三元组判别、互信息最小化与特征重构四种机制进行协同优化，促进故障判别信息与设备相关信息的分离，并减少特征解耦过程中的信息损失，从而提升跨设备故障诊断的泛化能力和鲁棒性。所述特征解耦框架除适用于机械设备健康监测外，还可用于其他存在域分布差异的信号识别任务。

40、（1）本发明的技术方案转化后的预期收益和商业价值为：

41、本发明的技术方案通过掩码引导特征解耦实现多源域泛化故障诊断，在无需任何目标域数据的前提下即可部署至全新设备，显著降低了工业智能运维的实施门槛和数据依赖。预期收益包括：

42、部署成本大幅节约：传统方法需在新设备上采集大量标注甚至无标注数据进行适配，本方案实现训练一次、部署多设备，单台新设备部署成本降低90%以上，尤其适用于风电、轨交、航空发动机等难以获取故障数据的场景。

43、运维效率提升：无需停机等待数据采集与模型适配，实现即插即用的零样本诊断，设备平均修复时间（mttr）缩短30%以上。

44、衍生商业价值：可构建跨设备通用故障诊断云平台，以api订阅模式向多家制造企业提供服务，形成标准化诊断产品，年服务收入预期超千万元。

45、（2）本发明的技术方案填补了国内外业内技术空白：

46、突破现有工业互联网平台（如ge predix、西门子mindsphere、树根互联根云）仅支持同型号设备或需目标域数据适配的局限，首次实现完全无需目标域数据的多源域泛化诊断。

47、填补了国家标准gb/t 40571—2021《智能服务 预测性维护 通用要求》中零目标样本数据量故障诊断技术的空白，为智能制造远程运维系统提供了全新的泛化能力评价指标。

48、（3）本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：

49、特征解耦难题：传统域泛化方法（如dann、mmd、coral）无法分离设备固有干扰与故障本质特征，导致在设备差异极大的场景下诊断准确率仅20%左右。本发明通过掩码引导的显式解耦+互信息最小化，将平均准确率提升至50%以上，相对提升超过30%。

50、零样本冷启动问题：工业界长期希望新装设备无需任何历史数据即可具备诊断能力，但现有方法依赖大量源域数据加少量目标域数据（甚至无标签数据）进行适配。本发明在完全无目标域数据条件下，多组跨设备任务平均准确率达43.9%～52.4%，实现了零样本冷启动的技术突破。

51、（4）本发明的技术方案克服了技术偏见：

52、打破域泛化效果远低于域适应的行业偏见：传统观点认为不使用目标域数据必然导致性能大幅落后于域适应方法。本发明在四个公开数据集上的实验表明，mgfd的平均准确率（52.4%）已接近部分域适应方法（如无监督cdan约60%），但后者需使用目标域无标签数据，而本发明完全无需任何目标域数据，工程可用性大幅提升。

53、打破深层特征更有利于泛化的固有偏见：多数方法认为网络越深提取的特征越抽象、越泛化。本发明反其道而行，采用浅层特征进行解耦，避免了深层网络对设备特异性信息的过度编码，实验证明浅层特征+掩码解耦优于深层特征直接分类，为域泛化特征提取提供了新思路。