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（CWRU）
CWRU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（JNU）
JNU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.》）
CWRU（12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→1750）
JNU（6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) | DAN | DANN | CDAN |
|---|---|---|---|---|---|
A | 1797 | 1772 | 100.00% | 79.17% | 100.00% |
B | 1772 | 1797 | 100.00% | 99.83% | 99.83% |
C | 1797 | 1750 | 100.00% | 70.33% | 100.00% |
D | 1750 | 1797 | 97.33% | 88.33% | 99.00% |
E | 1797 | 1730 | 99.33% | 99.17% | 99.50% |
F | 1730 | 1797 | 97.67% | 86.33% | 98.67% |
G | 1772 | 1750 | 100.00% | 100.00% | 100.00% |
H | 1750 | 1772 | 99.17% | 99.00% | 99.50% |
I | 1772 | 1730 | 98.50% | 98.17% | 99.83% |
J | 1730 | 1772 | 98.83% | 98.50% | 99.50% |
K | 1750 | 1730 | 99.33% | 100.00% | 100.00% |
L | 1730 | 1750 | 100.00% | 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) | DAN | DANN | CDAN |
|---|---|---|---|---|---|
M | 600 | 800 | 99.50% | 97.83% | 98.33% |
N | 800 | 600 | 97.50% | 92.17% | 99.83% |
O | 600 | 1000 | 100.00% | 100.00% | 100.00% |
P | 1000 | 600 | 96.00% | 87.83% | 90.00% |
Q | 800 | 1000 | 99.50% | 100.00% | 99.83% |
R | 1000 | 800 | 96.67% | 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 |
|---|---|---|---|
DAN | 99.18% | 98.19% | 98.85% |
DANN | 93.24% | 93.89% | 93.46% |
CDAN | 99.65% | 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
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
