一种基于FLoR自适应归一化的旋转机械跨域无监督故障诊断方法

本发明属于工业设备健康管理与人工智能，具体涉及一种在目标工况缺乏标注数据的条件下，利用深度神经网络内置的分层低秩归一化模块，通过对批归一化与实例归一化统计量的自适应加权融合，实现旋转机械跨域无监督故障诊断的方法。

背景技术：

1、旋转机械是现代工业生产线及重大装备的核心动力部件，其运行状态直接关系到整个系统的安全性与可靠性。基于深度学习的数据驱动故障诊断方法凭借其非线性特征映射能力，能够自动提取振动信号中蕴含的故障机理高维特征，已逐渐成为该领域的重要技术手段。然而，深度诊断模型的性能通常依赖于训练数据与测试数据满足独立同分布的假设以及目标域存在充足带标签样本的条件。在真实工业生产现场，现有的智能诊断技术在跨域部署时仍面临以下技术困难：

2、1. 目标域标注数据获取困难与跨域分布偏移的双重制约。工业设备在实际运行中，负载与转速工况参数频繁变化，导致不同工况下采集的振动信号在时域幅值、频域能量分布以及深层语义特征层面发生分布偏移。在源域工况下训练的模型直接部署至未见过的目标工况时，诊断性能往往出现退化。而实际工程中，对目标工况下新采集的振动数据进行逐一故障标注需要投入较高的人力与时间成本，且要求标注人员具备专业的振动分析与机械故障诊断知识；在部分高危工况或长周期连续运行场景下，标注操作较难实施。因此，在目标域标签缺失的条件下实现故障诊断知识的跨域迁移，是该领域的一个关键技术挑战。

3、2. 全参数微调引发的灾难性遗忘与过拟合风险。传统域自适应方法通常对预训练模型进行全参数或较大比例参数的微调。当目标域仅有无标签数据时，大规模参数的更新可能破坏模型在源域多工况数据上学习到的通用故障判别知识，即出现灾难性遗忘现象；同时，在缺乏明确监督信号的条件下，高自由度参数空间可能对目标域特定样本的统计特征产生过拟合，削弱其在目标工况内不同于区域的泛化能力。因此，需要一种以较小参数规模实现域适配的轻量级机制，在保留源域通用知识的前提下对目标域执行有限度的特征调制。

4、3. 无监督训练中伪标签噪声的累积传播与类别分布失衡。无监督域自适应依赖模型对目标域无标签数据自动生成伪标签以构建自训练闭环。训练初期模型预测能力有限，伪标签可能存在较高比例的标注错误；在后续训练迭代中，这些错误标签可能被逐步强化，形成确认偏误，导致错误知识在模型参数中累积传播。此外，由于不同故障类别对应的振动信号特征对工况变化的敏感程度存在差异，部分类别的特征在目标域下可能发生更为显著的分布偏移，导致该类别的伪标签样本数量减少，进而引发类别分布失衡，使得分类器对稀缺类别的判别能力在训练过程中持续弱化。

5、4. 固定强度正则化对不同域间隙场景的适应性不足。源域与目标域之间的数据分布差异程度因设备类型、工况参数变化幅度、传感器安装位置及环境噪声水平等因素而存在差异。对域间隙较大的场景，适当强度的参数正则化有助于平滑优化曲面，改善跨域泛化性能；而对域间隙较小、域泛化基线模型已能获得较高诊断精度的场景，同等强度的正则化可能引入不必要的参数扰动，导致模型性能退化。因此，正则化强度需要具备根据域间隙程度进行自适应调节的能力。

6、针对上述问题，现有技术中尚未出现一种能够同时兼顾较小参数规模域适配、多类别训练稳定性保障、伪标签质量维护以及正则化强度自适应调节的无监督跨域故障诊断方法。

技术实现思路

1、本发明的目的在于提供一种基于flor自适应归一化的旋转机械跨域无监督故障诊断方法，旨在缓解现有技术在目标域标签缺失条件下跨域诊断性能受限的问题，同时降低多分类场景下的伪标签类别分布失衡风险，并实现对不同域间隙程度的自适应正则化调节。

2、为实现上述目的，本发明提供如下技术方案：一种基于flor自适应归一化的旋转机械跨域无监督故障诊断方法，包括以下步骤：

3、步骤一：源域预训练与目标域数据准备。利用旋转机械在多个已知源域工况下采集的带标签振动加速度信号训练深度残差诊断网络至收敛，获得域泛化预训练模型，该模型在各残差块中内置flornorm归一化单元；采集目标工况下的无标签振动加速度信号，经短时傅里叶变换转换为二维时频频谱图，作为后续域自适应训练的输入数据。

4、步骤二：轻量级域自适应模块配置。加载所述域泛化预训练模型的权重参数后，冻结骨干网络中卷积层的权重参数与批归一化层的运行统计量，仅解冻各层flornorm归一化单元中的通道级对数混合参数、批归一化层的仿射变换参数以及瓶颈投影层的权重与偏置，使可训练参数量处于总参数量的较低水平；将各flornorm归一化单元切换至域自适应训练模式。

5、步骤三：无监督联合损失优化与伪标签质量保障。基于目标域无标签时频频谱图，构建融合信息最大化损失、类别平衡伪标签交叉熵损失以及冻结原型对比损失的无监督域自适应目标函数；在信息最大化损失中引入基于类别总数的对数归一化项；在伪标签筛选过程中引入逐类最低样本保障机制与类别平衡加权机制。

6、步骤四：域泛化基线感知的自适应正则化与冻结模型知识蒸馏约束。在加载预训练模型后，评估其在目标域测试子集上的零样本域泛化准确率，据此调节随机扰动一致性正则化的强度；保存冻结参数的域泛化模型副本，在每步适配训练中以该冻结副本的高置信度预测分布作为软标签，对适配模型的预测输出施加知识蒸馏约束。

7、步骤五：指数滑动平均模型维护与类别平衡精炼。在训练过程中，以指数滑动平均对模型参数进行平滑，维护独立的推理参数；训练收敛后，利用指数滑动平均模型对目标域训练样本进行完整推理，按类别等量采样构建类别分布均衡的精炼数据集，以较低学习率进行微调优化。

8、步骤六：设备在线诊断。获取待诊断旋转机械在目标工况下的实时振动信号，经预处理和时频转换后输入至适配完成的诊断模型；在推理阶段，flornorm归一化单元使用适配阶段学习收敛的通道级混合参数执行批归一化与实例归一化加权融合；分类器基于归一化特征向量与各冻结类别原型向量之间的余弦相似度输出故障诊断类别。

9、本发明具有以下显著的有益效果：

10、1. 提出了参数规模较小的轻量级域自适应机制，有助于缓解全参数微调引发的灾难性遗忘与过拟合问题。通过冻结骨干网络卷积权重与批归一化运行统计量，仅解冻flornorm通道级对数混合参数与瓶颈投影层权重，在保留源域多工况数据上学习到的通用故障判别知识的前提下，利用批归一化与实例归一化的自适应加权融合，实现层级化的跨域特征调制。该适配策略通过限制可训练参数规模，在一定程度上降低了因参数更新导致的源域知识遗忘风险以及对目标域样本的过拟合风险。

11、2. 构建了融合类别平衡伪标签筛选与冻结模型知识蒸馏的多重训练稳定机制，有助于缓解无监督训练中伪标签类别分布失衡与特征漂移的问题。在伪标签生成过程中引入了逐类最低样本保障机制和基于逆频率的类别平衡加权策略，在一定程度上抑制了常见故障类别对梯度优化方向的主导效应；利用冻结域泛化模型的高置信度预测分布作为知识蒸馏的软标签约束，为适配模型的优化方向提供了来自源域知识空间的参照。上述两类机制协同作用，在一定程度上提升了多分类场景下的训练稳定性。

12、3.建立了域泛化基线感知的自适应正则化强度调控策略，提高了固定强度正则化对不同域间隙场景的适应性。以零样本域泛化准确率作为源域与目标域之间数据分布差异程度的替代度量指标，基于该指标对随机扰动一致性正则化的强度进行分档调节：域间隙较大时保持较高强度正则化以平滑优化曲面；域间隙较小时衰减正则化强度以避免不必要的参数扰动。该自适应策略减少了对不同应用场景分别进行参数搜索的需求，同时在一定程度上降低了在域泛化基线已较高的场景下因过度正则化导致性能倒退的风险。

13、4. 实现了信息最大化损失的类别数归一化处理与多阶段模型精炼。对信息最大化损失中的边际熵项按对数类别数进行归一化处理，使得多样性约束的强度在不同故障类别数量的应用场景下具有可比较的量级，增强了方法在不同机械设备与故障模式配置下的通用性。同时，引入基于指数滑动平均的模型平滑机制与训练收敛后的类别平衡伪标签精炼阶段，通过等量重采样在一定程度上消除类别分布不均衡偏差，在不引入额外标注信息的前提下进一步提升模型的分类公平性。