作为工程领域旋转机械的关键部件，滚动轴承直接影响系统的可靠性和安全性。轴承故障是设备故障的主要原因，导致计划外停机和经济损失（Li等人，1999年；Hakim等人，2023年）。因此，准确可靠的故障诊断至关重要。
随着数据驱动方法（Wang等人，2020年；Wang等人，2024年；Wan等人，2021年）和深度学习方法（Zhao等人，2020年；Niu等人，2021年；Chen等人，2021年）的发展，它们能够从原始信号中自适应地提取具有区分性的特征，显著提高了诊断性能。然而，这些方法在实践中面临两个关键挑战：首先，故障样本稀缺且标注成本高昂，难以在单一工作条件下收集足够的训练数据（Han等人，2021年；Jia等人，2025年；Sun等人，2025年）；其次，训练和测试条件之间的分布差异会导致性能下降，限制了数据驱动方法的实际应用。
迁移学习通过利用源域知识来促进目标域的学习，为解决跨领域诊断问题提供了一种有效方法（Wang等人，2021年；Schwendemann等人，2021年）。基于特征对齐的领域适应方法在轴承故障诊断中展示了强大的泛化能力，但其有效性高度依赖于特征对齐策略（Zhong等人，2018年）。现有研究采用数据驱动的对齐策略来最大化两个域的特征分布一致性（Yang等人，2019年；Li等人，2022年）。然而，当存在显著差异时，忽略轴承故障的物理机制可能导致与任务无关的冗余信息被强制对齐，从而影响故障特征的提取。
近年来，故障诊断研究试图将振动信号的物理特性嵌入深度学习模型中，以提高物理一致性和可解释性（Kavianpour等人，2024年）。一些研究还利用物理约束来设计损失函数以辅助领域对齐（Jia等人，2024年；Cheng等人，2022年）。然而，现有研究大多将特征提取和领域对齐视为独立模块，缺乏物理信息驱动的特征学习和领域适应策略的协同整合。
要应对这一挑战，需要克服三个关键研究难题：首先，如何将轴承振动的物理特性与特征学习和领域对齐协同整合，以避免来自与任务无关信息的负面影响；其次，如何设计一种统一的特征提取架构，既能捕捉故障物理特性，又能实现跨领域迁移，而不是将它们视为独立模块；第三，如何构建多个物理信息驱动的对齐指标，以表征多维分布差异并通过协同子域适应实现全面对齐。
因此，本研究提出了一种基于Squeeze-and-Excitation Dilated SincNet（SEDSNet）并结合物理信息驱动的子域适应的新型迁移学习方法。特征提取网络和迁移策略都是根据轴承故障机制设计的，以解决跨条件迁移学习挑战。本研究的主要贡献如下：
(1) 开发了一个综合特征提取框架，整合了SincNet、Squeeze-and-Excitation（SE）和膨胀卷积模块。SincNet层使用具有Sinc函数核的可学习带通滤波器，高效地将信号分解为特定频率的成分；SE机制通过通道注意力捕捉不同频带之间的依赖性；膨胀卷积模块扩展感受野，以提取高频率和低频率下的多尺度时间特征。
(2) 为克服单一指标领域适应的局限性，构建了多个物理信息驱动的指标，用于表征瞬态影响、周期性脉冲和故障特定的频率相关性。通过集成领域适应、子域适应和对抗学习模块，实现了源域和目标域之间的高效多维对齐，显著提升了跨领域迁移性能。
(3) 在Paderborn大学（PU）滚动轴承数据集上的实验验证表明，所提出的方法优于传统的领域适应方法。消融研究验证了特征提取架构和物理信息驱动的迁移策略的有效性。
本文的其余部分安排如下：第2节回顾相关文献；第3节详细介绍所提出的方法；第4节展示实验验证和分析；第5节对本文进行总结。
