研究背景

深度迁移学习能够利用已有机械的故障诊断知识解决其他相关机械装备的诊断问题，从而降低了深度智能诊断理论与方法对大量高质量训练数据的强依赖性。特征分布适配是深度迁移学习的前沿热点，其关键在于缩小源域与目标域数据之间的深层特征分布差异，使智能诊断模型以相似的特征分布为桥梁进行跨域迁移。现有特征分布适配的迁移诊断方法往往假设源域数据的标签质量高，然而这在工程实际中却难以满足。

对于当前常用的机械监测数据标注方法：1）通过机械装备停机后拆解检查对数据进行标注，这虽然保证了数据标注的准确性，但停机成本高、标注效率低。2）基于信号处理的人工标注，需要依赖较强的知识储备与专家经验。3）基于人工智能的自动化软件标注，数据标注的准确性受限于智能模型的泛化性能。因此，工程实际中的源域数据不可避免地存在标注异常问题，而异常标注的数据为现有特征分布适配的迁移诊断方法带来以下挑战：其一，源域的智能诊断模型在异常标注数据上产生过拟合；其二，目标域数据的特征分布与异常标注数据之间产生误适配，从而降低了智能诊断模型的跨域迁移性能。

图1  异常标注的数据为现有特征分布适配的迁移诊断方法带来的挑战：(a)源域数据过拟合；（b）目标域数据误适配

成果介绍

西安交通大学现代设计及转子轴承系统教育部重点实验室雷亚国教授团队提出了一种数据标签校正与适配轨迹规划网络（LRTDN），该网络根据数据的特征空间分布规律以及沿梯度方向的移动规律，自适应锁定源域中的异常标注数据，并对其标注信息及特征适配轨迹进行重构。应用该网络实现了异常标注下的滚动轴承故障跨工况以及跨装备迁移诊断。研究成果发表于IEEE/CAA Journal of Automatica Sinica 2024年第十一卷第四期B. Yang, Y. Lei, X. Li, N. Li, and  A. Nandi,  “Label recovery and trajectory designable network for transfer fault diagnosis of machines with incorrect annotation,” IEEE/CAA J. Autom. Sinica, vol. 11, no. 4, pp. 932–945, Apr. 2024. doi: 10.1109/JAS.2023.124083 

提出的LRTDN结构如图2所示。该网络由双视角深度残差网络、异常标注检测模块、特征适配轨迹校正模块三部分组成。首先，建立双视角深度残差网络，从源域与目标域数据中表征深层特征。然后，异常标注检测模块根据数据的特征空间分布位置及梯度移动方向，计算异常标注因子，并根据因子大小锁定异常标注数据，在此基础上，结合双视角半监督学习机制，对异常标注数据进行标签校正。最后，设计了跨域数据特征分布适配轨迹，如图3所示，增大了目标域样本向异常标注样本移动的代价成本，并基于最优传输理论，求解了异常标注下的特征联合分布差异。通过半监督学习策略以及特征联合分布差异最小化的正则化约束对LRTDN进行训练，解决异常标注下智能模型的过拟合与误适配问题，提高迁移性能。

图2  提出的LRTDN结构

图3  基于最优传输理论的特征分布适配轨迹规划

通过滚动轴承跨装备迁移诊断实验（转子轴承系统实验台→电机故障模拟实验台）对提出的LRTDN进行验证。如图4所示，LRTDN能够自适应锁定异常标注数据，并对其进行标签重构，重构后的数据标签准确率高。如图5所示，与其他方法相比，提出方法在目标域数据上具有更高的诊断精度。对跨域数据特征分布进行可视化分析（见图6所示），可以发现，提出方法明显地缓解了智能模型在源域数据上的过拟合问题，跨域数据特征分布之间的相似度高。

图4  LRTDN对源域异常标注数据的校正结果

图5  LRTDN与其他方法的迁移诊断精度对别

图6  LRTDN与其他方法的跨域数据特征分布可视化分析结果

作者简介

杨彬，西安交通大学助理教授，入选国家“博士后创新人才支持计划”、全球前2%顶尖科学家榜单。担任中国自动化学会混合智能专委会委员。研究方向为迁移智能诊断理论及应用、新一代人工智能故障诊断、高端装备大数据智能运维。主持国家自然科学基金青年项目、中国博士后科学基金面上项目等；出版学术专著1部，获工信学术出版基金资助；在本领域国内外著名期刊上发表学术论文10余篇，6篇入选ESI热点、中国百篇最具影响国际学术论文、中国科协优秀科技论文等；授权国家发明专利10余件，其中技术转让3件。研究成果在轴承智能制造、轨道交通等领域得到应用。曾获中国自动化学会自然科学一等奖、陕西省自然科学一等奖、陕西高等学校科学技术一等奖等奖励。

雷亚国，西安交通大学二级教授、博士生导师、机械工程学院常务副院长、国家杰青、美国机械工程师协会会士（ASME Fellow）、英国工程技术学会会士（IET Fellow）、国际工程资产管理协会会士（ISEAM Fellow）、科睿唯安全球高被引科学家（2019-至今）、国家重点研发项目首席科学家（2项）、陕西省科技创新团队带头人、“三秦学者”全国一流创新团队带头人。担任中国自动化学会技术过程的故障诊断与安全性专业委员会副主任委员、中国振动工程学会理事、中国机械工程学会工业大数据与智能系统分会副主任委员以及IEEE Transactions on Industrial Electronics、Mechanical Systems and Signal Processing等本领域著名期刊副主编。长期从事复杂系统建模与动态信号处理、大数据智能故障诊断与寿命预测、复杂系统状态健康监测与智能维护等方面的研究工作。主持国家重点研发计划、国家自然科学基金重点等国家级项目20余项。研发的智能诊断系统在智能制造、能源电力、交通运输等领域得到广泛应用。曾获国家技术发明二等奖、中国青年科技奖、教育部自然科学一等奖、教育部青年科学奖、科学探索奖、中国自动化学会自然科学一等奖、陕西省自然科学一等奖等。

李响，西安交通大学教授、博士生导师、国家级青年人才、英国工程技术学会会士（IET Fellow），科睿唯安全球高被引科学家，主要研究方向为工业人工智能、机器视觉、工业大数据、神经形态计算、智能运维等，主持国家重点研发计划项目课题、国家自然科学基金等项目，参与制定国家标准3项，研究成果在航空航天、智能制造等领域获得工程应用，担任期刊IEEE Transactions on Neural Networks and Learning Systems、Expert Systems with Applications、Pattern Recognition副主编以及IEEE/CAA Journal of Automatica Sinica青年编委，发表高水平学术论文70余篇，包括ESI高被引论文22篇，ESI热点论文8篇，谷歌学术引用9500次以上，H指数43，出版英文学术专著1部，入选全球前2%顶尖科学家终身榜单，获中国自动化学会自然科学一等奖、辽宁省自然科学二等奖等科研奖励。

李乃鹏，西安交通大学副教授，入选第八届中国科协青年人才托举工程。长期从事高端装备数字孪生建模、寿命预测与智能运维方面研究工作。出版英文专著1部，获国家科学技术出版基金资助和第23届输出版优秀图书奖。在本领域权威期刊发表高质量学术论文40余篇，其中ESI热点论文4篇、ESI高被引论文5篇。参与制定国家标准4项，授权国家发明专利25项，其中10余项已在风电装备、工业机器人、重卡等装备进行应用，取得了的一定社会经济效益。博士学位论文获陕西省优秀博士学位论文；研究成果获陕西省自然科学一等奖、中国自动化学会自然科学一等奖、陕西高等学校科学技术一等奖、中国华电集团科技进步一等奖等科技奖励。

Asoke Kumar Nandi，英国皇家科学院院士，IEEE fellow，布鲁内尔大学终身教授、电子与计算机工程系主任、西安交通大学兼职教授。长期从事高能物理、人工智能、信号处理等方面的研究工作。发表学术论文200余篇。主编出版学术专著4部。曾获IEEE海因里希赫兹奖、孟加拉奖、英国机械工程师学会水仲裁奖、英国电气工程学会蒙巴顿奖和电子与通讯事业部奖等。