发文秘籍！跨工况无监督域故障诊断，MATLAB代码实现

一、问题背景轴承故障诊断是工业设备运维的关键环节。传统智能诊断方法通常基于一个前提训练数据与测试数据来自相同的工况条件。实际工业环境中设备的转速、负载时刻发生变化。比如在1797转/分钟下采集的数据训练出的模型直接用于诊断1730转/分钟下的信号准确率可能大幅下降。这就是域偏移问题——源域训练数据与目标域测试数据的分布不再一致。更棘手的是目标域数据往往没有标签。设备处于运行状态无法获知当前故障状态但仍需要模型做出准确判断。这个时候就需要无监督域方法来解决此问题了近几年关于无监督域方法方向发文还是相对来说容易一点的。因为这个方法不同于传统的机器学习、深度学习、数据驱动诊断那一套无监督域方法的门槛稍高但只要你掌握了这个方法发起文章来更有东西可写不至于烂大街。二、干了什么事情针对上述问题本项目基于无监督域适配思想实现了三种主流的跨工况故障诊断方法分别是DAN、DANN、CDAN并在两个公开轴承数据集西储大学数据、江南大学数据上进行了18个迁移任务的实验验证。全程采用MATLAB代码实现。三、数据集介绍西储大学轴承数据集CWRUCWRU数据集是故障诊断领域最经典的基准数据集之一来自美国Case Western Reserve University的轴承故障实验台。采样频率12kHz故障类型正常、内圈故障、外圈故障、滚动体故障包含不同严重程度0.007/0.014/0.021英寸共10个类别工况条件4种电机转速1797/1772/1750/1730 rpm对应不同负载数据规模每类每种转速设置200个样本每个样本长度2048点江南大学轴承数据集JNUJNU数据集来源于江南大学机械工程实验室采集条件更接近实际工业场景。采样频率50kHz故障类型正常、内圈故障、外圈故障、滚动体故障共4个类别工况条件3种转速600/800/1000 rpm数据规模每类每种转速设置500个样本每个样本长度2048点四、迁移任务设计不同转速之间两两组合构成迁移任务这个迁移任务的设计可参考文献《吕钟伟.基于迁移学习的滚动轴承故障诊断方法研究[D].山西大学,2025.》CWRU12个任务4种转速间的所有有向配对如1797→1772、1772→1797、1797→1750……直至1730→1750JNU6个任务3种转速间的所有有向配对如600→800、800→600、600→1000……直至1000→800每个任务中源域数据有标签用于训练目标域数据无标签仅用于测试评估。训练集与测试集按7:3比例划分并保证各类别均衡。五、数据处理流程原始信号 → 分段截取 → 连续小波变换CWT → 64×64×3 RGB时频图将原始一维振动信号通过连续小波变换转换为二维时频图像使用cmor3-3复Morlet小波。时频图同时保留时间信息和频率特征比原始波形包含更丰富的故障表征并且非常适合卷积神经网络处理。六、三种域适配方法DAN深度适配网络核心思想在深度网络中增加约束使提取到的源域特征与目标域特征在统计意义上尽可能接近。采用最大均值差异MMD度量两个域的分布差距训练时最小化该差距。DANN域对抗神经网络核心思想借鉴生成对抗网络思路。网络中增设“域判别器”负责分辨特征来自源域还是目标域特征提取器则要“欺骗”域判别器。通过这一对抗过程迫使特征提取器学习域不变的特征表示。CDAN条件域对抗网络核心思想DANN的改进版本。除特征信息外还将分类器的预测结果作为条件信息融入域判别过程使域对齐在考虑类别结构的前提下进行从而避免粗粒度的全局对齐。七、结果展示本项目基于MATLAB实现支持GPU加速。实验结果如下CWRU数据集10类故障12个迁移任务任务源域(rpm)目标域(rpm)DANDANNCDANA17971772100.00%79.17%100.00%B17721797100.00%99.83%99.83%C17971750100.00%70.33%100.00%D1750179797.33%88.33%99.00%E1797173099.33%99.17%99.50%F1730179797.67%86.33%98.67%G17721750100.00%100.00%100.00%H1750177299.17%99.00%99.50%I1772173098.50%98.17%99.83%J1730177298.83%98.50%99.50%K1750173099.33%100.00%100.00%L17301750100.00%100.00%100.00%平均--99.18%93.24%99.65%JNU数据集4类故障6个迁移任务任务源域(rpm)目标域(rpm)DANDANNCDANM60080099.50%97.83%98.33%N80060097.50%92.17%99.83%O6001000100.00%100.00%100.00%P100060096.00%87.83%90.00%Q800100099.50%100.00%99.83%R100080096.67%85.50%98.33%平均--98.19%93.89%97.72%各方法总体平均准确率方法CWRU平均JNU平均总平均DAN99.18%98.19%98.85%DANN93.24%93.89%93.46%CDAN99.65%97.72%99.01%八、可视化结果每一个任务都包含混淆矩阵图、Tsne降维图、损失函数曲线图这里就不再一一展示。九、方法对比总结无监督域适配为跨工况故障诊断提供了一条切实可行的路径无需目标工况的任何标注数据仅利用源工况的标注数据和目标工况的无标签数据即可训练出对目标工况有效的诊断模型。域适配方法效果显著三种方法在绝大多数跨工况任务中准确率超过90%表明无监督域适配能有效应对工况变化引起的分布偏移。CDAN表现最优条件域对抗网络将分类预测信息作为对齐条件在多数任务中取得最高准确率说明考虑类别结构的精细对齐优于全局对齐。DAN稳定性好基于MMD的DAN方法原理简单所有任务中表现稳定未出现明显失败案例。DANN偶有波动对抗训练的不稳定性在部分困难任务如速差较大的迁移中有所体现个别任务准确率相对偏低。十、代码目录并在ReadME中详细记载了每个脚本的功能以及怎么使用。不用担心不会运行代码的问题。注意此代码需要2023以上MATLAB运行哦十、代码获取https://mbd.pub/o/bread/mbd-YZaTlJtraw点击下方阅读原文也可跳转链接