面向旋转机械跨域故障诊断的类感知量化对抗网络：一种新型部分集迁移机制

本文提出类感知量化对抗网络（CQAN），通过构建类注意力增强（CAB）模块优化类特异性特征表征，结合特征对齐校准（FAC）方案动态量化目标域样本适应性，有效解决旋转机械故障诊断中部分域适应（PDA）场景下异常类干扰和特征对齐偏差问题。实验证明该方法在两类轴承数据集上具有高精度和可靠性。

　　

Highlight

聚焦目标域与源域标签空间不一致的场景，本文提出的CQAN能够精准识别异常类（outlier classes）并实现共享类（shared classes）的特征对齐。

Proposed method

如图3所示，CQAN诊断架构包含三部分：基于DANN-ViT的预训练框架、CAB模块和FAC方案。其中DANN-ViT初步提取域不变特征，CAB模块通过放大类令牌（class token）锚定的注意力分布来增强类特异性特征表征，FAC方案则通过特征-标签映射器量化目标域样本适应性，动态优化跨域特征对齐。

Experimental study

在两类轴承数据集上的实验表明：1）CAB模块使共享类-异常类边界清晰度提升37.6%；2）FAC方案将目标域样本对齐准确率提高至92.3%；3）整体诊断精度显著优于SAN、PADA等对比方法。

Conclusion

CQAN通过类注意力驱动优化和量化自适应校准，为轴承故障诊断中的部分集迁移问题提供了创新解决方案。其中CAB模块突破传统PDA方法对异常类抑制的局限，FAC方案首次实现目标域样本适应性的动态量化评估。

Uncited References

[12]

CRediT authorship contribution statement

闫林周（Yanlin Zhou）：核心算法设计/论文撰写；丁传仓（Chuancang Ding）：理论指导/结果验证；史明宽（Mingkuan Shi）：可视化分析；阙洪波（Hongbo Que）：代码实现；黄一帆（Yifan Huangfu）：实验设计；沈长庆（Changqing Shen）：跨域诊断框架构建；黄卫国（Weiguo Huang）：项目协调；朱仲魁（Zhongkui Zhu）：工业应用验证。