一种用于多目标领域故障诊断的模糊跨域矩阵机器

《Enfermedades infecciosas y microbiologia clinica (English ed.)》：A fuzzy cross domain matrix machine for fault diagnosis under multi-objective domain

针对传统矩阵分类器对异常样本敏感及跨域信息利用不足的问题，提出模糊交叉域矩阵机（FCDMM）方法，结合模糊隶属建模与多任务学习，构建非线性决策超平面并引入自适应边界因子抑制异常样本影响，在轴承和齿轮故障数据集上取得98.86%和99.57%的准确率，显著优于现有方法。

　　
本文针对机械故障诊断中传统矩阵分类器存在的局限性，提出了一种新型模糊跨域矩阵分类方法（FCDMM）。研究团队通过整合模糊隶属建模与多任务学习技术，在保持数据原始结构特征的基础上，显著提升了模型的鲁棒性和跨域知识迁移能力。该成果在多个典型故障数据集上的实验验证中，表现出了超越现有最先进方法的分类性能。

机械故障诊断作为工业安全的重要保障环节，其技术难点主要体现在异常样本敏感性和跨域特征利用两个方面。传统分类方法往往将矩阵数据向量化处理，这种转换过程不仅会导致原始数据中的空间关联信息丢失，还会引发维度灾难问题。现有矩阵分类方法如支持矩阵机（SMM）虽然保留了矩阵结构特性，但在处理异常样本时仍存在决策边界偏移的缺陷。特别是在多任务协同诊断场景下，现有方法难以有效平衡不同诊断任务间的特征共享与独立性需求。

研究团队在深入分析现有矩阵分类方法局限性后，提出了FCDMM的三大核心创新：首先，通过构建模糊隶属关系网络，实现了对异常样本的动态边界调整机制，使分类器能够自适应识别和过滤噪声数据；其次，设计了双参数边界控制因子，在优化决策超平面时兼顾不同故障类型的分类精度；最后，采用矩阵形式的特征共享机制，在保持数据结构完整性的前提下实现跨任务知识迁移。

在方法实现层面，FCDMM通过模糊逻辑量化样本间的隶属关系，建立非平行决策超平面网络。这种结构设计既保留了原始矩阵数据的空间拓扑特征，又通过引入自适应边界因子增强了模型对异常数据的抗干扰能力。实验表明，该方法的决策边界相比传统矩阵分类器更贴近数据分布的真实形态，特别是在处理存在明显噪声或样本不平衡的工业场景数据时，表现出更强的鲁棒性。

实际应用中，FCDMM通过多任务协同学习机制，实现了故障类型识别、位置定位和严重程度评估等关联任务的联合优化。这种设计使得模型能够同时捕捉不同任务间的共性特征，例如轴承故障和齿轮故障在振动信号频域分布上的重叠特性，又能有效区分它们在时域波形上的细微差异。实验数据显示，FCDMM在两个典型工业数据集（轴承故障库和齿轮故障库）上的综合准确率分别达到98.86%和99.57%，较现有最优方法MTTPKMC提升了1.8-2.5个百分点。

该方法的创新性主要体现在三个方面：其一，首次将模糊隶属建模引入矩阵分类框架，通过构建动态隶属关系网络，使模型能够自适应调整对异常样本的识别阈值；其二，提出的双边界因子调节机制，在优化决策边界的同时有效抑制异常样本对分类结果的干扰；其三，设计了矩阵形式的特征共享机制，在保持数据原始结构的基础上实现跨任务知识迁移，解决了传统多任务学习方法中特征耦合度过高导致的性能退化问题。

在实验验证部分，研究团队构建了包含5组对比实验的多维度评估体系。除了基础准确率指标外，特别引入了Kappa系数评估分类一致性，F1分数衡量正负样本的平衡性，召回率指标关注漏检情况，精确率反映误判控制能力。实验环境采用标准配置的MATLAB R2022a平台，确保结果的可重复性。值得关注的是，当数据集中异常样本比例超过15%时，FCDMM仍能保持98%以上的整体准确率，这得益于其模糊边界调整机制的有效性。

应用场景测试表明，FCDMM在以下典型工业场景中表现出色：1）多工况下设备状态监测，能够自动适应负载变化和运行环境差异；2）复合型故障诊断，如同时存在轴承磨损和齿轮点蚀的混合故障识别；3）在线实时诊断系统，其矩阵运算结构设计使推理速度提升约30%。在对比实验中，传统SVM基线方法在异常样本干扰下的准确率骤降至89.2%，而MTTPKMC等先进矩阵分类方法也出现明显性能衰减，反观FCDMM在同等条件下仍保持97.3%以上的稳定输出。

研究团队特别设计了消融实验验证各创新模块的有效性。当单独启用模糊隶属建模时，分类准确率提升1.2个百分点；加入自适应边界因子后，准确率再提高2.1个百分点；而跨域知识迁移机制则带来1.8%的额外增益。这种分项验证结果清晰展示了FCDMM各创新点的协同作用。

在工程应用方面，研究团队开发了面向工业场景的FCDMM软件包，包含数据预处理、特征提取、模型训练和结果分析四个模块。实际部署测试显示，该软件包在产线设备上的平均诊断延迟仅为0.37秒，误报率控制在0.5%以下，完全满足工业4.0实时诊断需求。特别值得关注的是其异常样本过滤机制，在典型工业振动信号中，当噪声幅度超过基线信号30%时，FCDMM仍能保持96%以上的有效诊断准确率。

未来研究计划包括：1）开发面向时变工业环境的在线学习模块，增强模型自适应能力；2）探索多模态数据融合应用，如将振动信号与红外热成像数据联合诊断；3）构建标准化评估框架，完善不同工业场景下的性能对比体系。这些后续研究方向将进一步提升FCDMM在复杂工业环境中的实用价值。

该研究成果的提出，标志着机械故障诊断技术从单一任务分析向多任务协同学习的跨越式发展。通过模糊逻辑与矩阵分类方法的有机融合，不仅解决了传统方法在异常样本处理上的痛点，还开创了跨域知识迁移的新路径。这种创新方法论对智能制造领域的设备健康管理、预测性维护等关键环节具有重要参考价值，有望推动工业设备故障诊断技术的标准化和智能化进程。