💻 computer science

Domain-Shift Aware Neural Networks for Unbalance Characterization in Rotating Systems

本文提出了一种利用最大均差异策略的领域偏移感知神经网络，用于在不同运行工况下准确估计旋转轴的不平衡质量，证明了在物理行为和领域差异不完全已知的结构健康监测场景中，该方法具有更高的预测精度。

原作者： Bernardo Feijó Junqueira, Claudio Kiyoshi Umezu, Bruno Bilhar Karaziack, Tomaz Junior, Daniel Alves Castello

发布于 2026-06-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Bernardo Feijó Junqueira, Claudio Kiyoshi Umezu, Bruno Bilhar Karaziack, Tomaz Junior, Daniel Alves Castello

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图教一个机器人仅通过听人走路的声音，来猜出背包有多重。

问题所在：“不同鞋履”的困境
通常情况下，你会让机器人在一个安静的健身房里进行训练，此时人穿着平滑的运动鞋（源域）。你向它展示成千上万个例子：“这种声音意味着 5 公斤的背包；这种声音意味着 10 公斤的背包。”机器人学会了这种模式。

但随后，你把机器人送到一个真实的施工现场，那里的人穿着沉重、笨拙的靴子，走在碎石地上（目标域）。声音变得不同了。背景噪音更大了。只在健身房接受过训练的机器人会感到困惑。它可能会因为靴子的声音很大，而误以为轻便的背包很重；或者它可能会完全失效，因为它会将靴子的“噪音”误认为是另一种重量特征。在工程领域，这被称为领域偏移（Domain Shift）。机器人的训练数据与现实世界的条件不匹配。

解决方案：“通用翻译官”
这篇论文介绍了一种特殊的“智能机器人”（神经网络），旨在处理这个完全相同的问题。机器人不再仅仅是死记硬背健身房里的声音，而是学习寻找无论人穿着什么鞋子都保持不变的核心本质。

研究人员称之为领域偏移感知神经网络（Domain-Shift Aware Neural Network）。它是这样工作的，这里使用一个简单的类比：

两个房间，一位老师： 想象有两个房间。
- 房间 A（源域）： 有带有标签的背包（你确切知道它们有多重）。
- 房间 B（目标域）： 有不带标签的背包（你不知道重量，而且房间里很吵）。
共享大脑： 机器人拥有一个“大脑”（神经网络），可以观察来自两个房间的声音。
“MMD”技巧： 机器人使用一种特殊的数学工具，称为最大均值差异（Maximum Mean Discrepancy, MMD）。你可以把它看作是一个“相似度检测器”。它不断检查：“我大脑感受到的来自房间 A 和房间 B 的声音是否看起来一样？”
- 如果机器人发现来自房间 A 的声音和来自房间 B 的声音感觉不同，它就会调整自己的大脑，使它们感觉更加相似。
- 它迫使机器人忽略靴子的“噪音”，转而专注于背包的“重量”。
结果： 机器人学会了一种关于重量的通用语言。当它听到房间 B 里沉重的靴子声时，它仍然可以准确地猜出背包的重量，因为它学会了忽略鞋子的噪音，专注于核心的振动。

实验：旋转轴
研究人员在一个真实的机器上测试了这一点：一个旋转的金属轴（类似于电机或风扇）。

目标： 通过倾听其振动，猜出旋转轴上增加了多少额外的重量（不平衡量）。
转折点： 他们在一个“干净”的轴上对机器人进行训练（源域）。然后，他们在另一个“杂乱”的轴上对其进行测试，那个轴附近有第二台电机在运行，产生了额外的振动和噪音（目标域）。这模拟了许多机器同时运行的真实工厂环境。

他们的发现

低速阶段（500 RPM）： 机器转动得非常慢，振动微弱且安静。机器人很难分辨出“重量”与背景噪音之间的区别。即使使用了特殊的“通用翻译官”技巧，它也无法很好地猜出重量。这就像是在图书馆里试图听清一声耳语；信号太弱了。
中速阶段（1000 RPM）： 这是最佳状态。振动大而清晰。机器人利用“通用翻译官”忽略了来自第二台电机的额外噪音，并以惊人的准确度（几乎完美）猜出了重量。
高速阶段（2000 RPM）： 机器转动得非常快。振动巨大，但也变得复杂且混乱（就像一场风暴）。机器人仍然表现出色，虽然比中速时稍逊一筹，因为这种混乱使得分离特定的“重量”信号变得更加困难。

核心启示
如果没有这个特殊的“通用翻译官”技巧，机器人在嘈杂的环境中会表现得一团糟。它会给出荒谬错误的数值。但有了这个技巧，它学会了适应。

论文得出结论，当测试的机器与训练时的机器略有不同时，该方法在**结构健康监测（Structural Health Monitoring）**方面表现得非常出色。它证明了，只要你教会计算机忽略差异并专注于相似之处，即使机器处于一个嘈ful、不同的环境中，你也能教会它理解机器的“心跳”。

简而言之： 他们教会了计算机忽略新环境中的“背景噪音”，从而能够准确测量旋转机器体的重量，即使它从未见过那个特定的环境。

技术摘要：用于旋转系统不平衡度表征的领域偏移感知神经网络

问题陈述
本研究解决了结构健康监测（SHM）中的一个关键局限性：即监督学习模型在部署于与其训练数据不同的运行条件（领域偏移）时出现的性能退化问题。在实际的 SHM 场景中，获取涵盖所有可能结构状态和运行条件的带标签数据通常是不可行的。因此，由于分布不匹配，在“源”领域（例如特定的机器或运行工况）训练的模型在面对“目标”领域（例如具有不同负载、转速或结构配置的同一台机器）时经常失效。具体而言，本文研究了在目标领域因次级耦合轴的激活而引入复杂动力学相互作用和噪声（这些现象在训练数据中并不存在）的情况下，估计旋转轴不平衡质量水平的回归任务。

方法论
作者提出了一种基于利用最大均差（MMD）进行领域自适应框架的领域偏移感知神经网络。该方法结构如下：

实验设置： 数据采集自一个实验室测试台，该测试台包含一个由电动机驱动的主轴和一个通过皮带耦合的次级轴。主轴在固定径向距离处携带受控的不平衡质量（范围从 0g 到 10.8g）。通过激活次级轴来引入领域差异，从而创建一个与“源”领域（仅主轴）具有不同动力学特征的“目标”领域。测试在三种转速下进行：500、1000 和 2000 RPM。
数据处理： 将原始三轴加速度计信号分割成非重叠的窗口。通过拼接时域信号及其快速傅里叶变换（FFT）的幅值来构建特征，以同时捕捉时域和频域特性。使用仅基于源领域统计量的数据进行归一化，以防止信息泄漏。
模型架构： 一个共享的一维卷积神经网络（CNN）骨干网络处理来自源领域和目标领域的输入。该网络由三个卷积块、全局平均池化层和全连接层组成，输出一个标量不平衡估计值。
训练目标： 模型使用复合损失函数进行训练：
$L(\theta) = L_{data}(\theta) + \lambda L_{MMD}(\theta)$
其中 $L_{data}$ 是仅在有标签源样本上计算的均方误差（MSE），而 $L_{MMD}$ 是在源领域和目标领域的潜在特征表示上计算的最大均差损失。MMD 损失利用 Student's t-核，在再生核希尔伯特空间（RKHS）中最小化源领域和目标领域特征分布之间的距离。采用渐进式权重调度器（基于 Sigmoid 函数）在训练过程中逐渐增加 MMD 损失的影响力，以确保在执行领域对齐之前实现稳定的特征学习。

核心贡献

在 SHM 中的回归应用： 虽然领域自适应在故障分类（如轴承故障诊断）领域已有深入研究，但本研究探讨了其在回归任务（定量不平衡估计）中的应用，这在 SHellen 监测文献中是一个相对较少被探索的领域。
领域偏移的实验验证： 研究提供了一个受控的实验框架，通过次级机械部件诱导领域偏移，从而能够对模型在物理真实的差异下的泛化能力进行严格评估。
运行工况分析： 本文系统地评估了模型在低速（500 RPM）、中速（1000 RPM）和高速（2000 RPM）下的性能，揭示了转速和信噪比如何影响领域自适应的效果。

结果
将所提出的基于 MMD 的模型性能与仅在源数据上训练的基准模型（无领域对齐， $\lambda=0$ ）进行了对比。

低速工况（500 RPM）： 模型表现出有限的泛化能力。较低的离心力导致动态特征微弱且信噪比较低，导致特征可分性差。即使使用了 MMD 对齐，模型仍难以区分不平衡水平，基准模型完全失效（ $R^2$ 为负）。
中速工况（1000 RPM）： 该工况表现最佳。模型实现了极高的预测精度，平衡目标下的 $R^2$ 为 0.9949，不平衡目标下的 $R^2$ 为 0.9914。MMD 策略有效地对齐了源领域和目标领域的分布，同时保留了判别性特征，显著优于基准模型（基准模型表现出巨大的离散性且 $R^2$ 为负）。
高速工况（2000 RPM）： 模型保持了较强的泛化能力（ $R^2 \approx 0.98$ ），尽管性能较 1000 RPM 时略有下降。作者将其归因于高转速下增加的非线性动力学效应和高次谐波复杂性，这引入了额外的变异性。
领域差异的影响： 在所有工况下，次级轴不平衡的存在（增加了领域差异）都会降低精度（与平衡目标条件相比）。然而，领域偏移感知模型始终优于基准模型，证明了显式的分布对齐对于跨领域回归至关重要。

意义与主张
本文声称，通过基于 MMD 的正则化来显式解决领域偏移，可以显著提高 SHM 中回归模型的鲁棒性，特别是在目标数据无标签且运行条件与训练数据不同时。研究强调，此类模型的成功取决于动力学激发的质量；足够的信号能量和可分性（如 1000 RPM 所示）是有效领域自适应的前提条件。

作者持谨慎态度，指出其结论针对特定的实验设置和运行条件。他们强调，虽然该方法证明了可行性，但若不考虑特定的噪声水平、激发机制和机械配置，则无法实现普遍的泛化。这项工作作为将领域自适应回归策略应用于不平衡度表征的原理验证（proof-of-concept），并建议未来的研究可以探索变化的偏心半径以及集成物理启发式建模，以进一步增强鲁棒性。

技术摘要：用于旋转系统不平衡度表征的领域偏移感知神经网络

类似论文