控制与决策

作者：刘学志,王振雷,王昕

单位：华东理工大学 能源化工过程智能制造教育部重点实验室，上海 200237,,华东理工大学 能源化工过程智能制造教育部重点实验室，上海 200237,,上海交通大学 电工与电子技术中心，上海 200240,

关键词：旋转机械;迁移学习;域自适应;开集故障诊断;伪标签;分层聚类

基金：国家重点研发计划项目(2022YFB3304701)；国家自然科学基金重大项目(62394345)；上海市重型燃气轮机领域联合创新计划(UIC计划)；中央高校基本科研业务费专项项目(222202517006).

旋转机械作为工业系统的核心部件, 其故障诊断对保障设备安全运行至关重要. 然而, 在跨工况场景下, 基于深度迁移学习的故障诊断面临故障样本收集成本高昂和数据分布存在差异两大挑战. 这些挑战在目标域存在未知故障的开集迁移场景下尤为突出, 为此提出一种由分层聚类引导生成可靠伪标签的域自适应(HCRPDA)方法: 首先, 使用源域数据监督训练特征提取器和分类器, 并通过构建域混淆损失来驱动源域和目标域进行对抗学习, 实现已知类别的跨域分布对齐; 其次, 基于域判别器输出的源域相似度和通过分类器的输出计算得到的分类熵这两个指标进行分层聚类, 筛选高置信度的未知类伪标签样本, 进而训练专用的未知类判别器以提升模型对未知故障的识别能力; 最后, 使用PU轴承数据集以及PHM2009齿轮箱数据集进行仿真验证. 实验结果表明, HCRPDA相比于主流的域自适应方法具有更高的未知类识别率和已知类分类准确率, 特别是面对目标域中未知类样本比例较高的场景, 优势更加明显.

来源：2026年第2期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第2期