多尺度高斯特征增强与原型图卷积网络在轴承故障跨域诊断中的创新应用

本文提出了一种结合多尺度高斯特征增强(MGF)与原型图卷积网络(PGCN)的域泛化(DG)方法MGF-PGCN，通过动态高斯分布对齐和自适应原型图构建，显著提升了轴承故障诊断在跨域场景下的准确率（平均达94.14%-94.75%），为解决工业设备在变工况下的鲁棒性诊断提供了新范式。

　　

Highlight

本研究创新性地将多尺度高斯特征增强模块与原型图卷积网络相结合，通过动态高斯函数映射和自适应原型关联，实现了轴承故障特征在跨域场景下的稳定表达。

Problem definition

多源域泛化(MSDG)基于M个源域数据S_k=(x_i^S_k,y_i^S_k)(i=1,…,N_k;k=1,…,M)，其中各域服从独立分布P_Si≠P_Sj，需解决C类健康状态在域偏移下的泛化诊断难题。

Experimental study

在三种轴承数据集上的测试表明，MGF-PGCN计算成本仅7 MFLOPs/样本，参数量<23k，显著优于现有方法。

Feature distribution analysis

如图7所示，相比基线G2，MGF-PGCN提取的源域/目标域特征呈现高度一致性分布，验证了多尺度高斯模块对故障特征的强捕捉能力。

Conclusion

该框架通过动态高斯原型构建和多尺度权重分配，首次实现了轴承故障特征在复杂工业场景下的"分布可塑-关联自适应"双重优化，为智能诊断系统提供了轻量化解决方案。