近期，学院智能制造工程系剡昌锋研究员课题组在滚动轴承故障诊断研究方面取得新进展，研究成果以“ISEANet: An interpretable subdomain enhanced adaptive network for unsupervised cross-domain fault diagnosis of rolling bearing（ISEANet: 用于滚动轴承无监督跨域故障诊断的可解释子域增强自适应网络）”为题，于2024年6月4日在线发表于人工智能、工程领域的国际顶级学术期刊《Advanced Engineering Informatics》（IF：8.8）（DOI: 10.1016/j.aei.2024.102610），剡昌锋研究员为通讯作者，博士生刘斌为第一作者。

滚动轴承是旋转机械的核心基础件之一，随着机械设备和相关技术不断发展，轴承的工作条件越来越复杂，其更容易受到温度、载荷和润滑等因素的影响。由于滚动轴承长期服役和工作环境复杂多变，不可避免会出现故障，高效准确地识别和评估轴承故障是旋转机械的智能运维与健康管理领域的研究热点和难点。

该文基于监测的滚动轴承振动信号，提出了一种可解释子域增强自适应网络，分别从初始样本处理、中间特征映射和子域差异计算等关键环节增强子域表示，提高了诊断过程的可解释性。首先，通过稀疏子段引导的降噪层（SSNR）对连续时间序列进行稀疏计算，考虑信号在空间维度上每个时刻非平稳特性，衡量不同振动信号中包含脉冲区间的重要性；提出的SSNR层可实现即插即用，能够直接嵌入网络结构，通过反向传播更新参数，以增强物理知识。随后，构建了轻量级多特征提取模块（LMFEMod），从局部和全局角度扩大了卷积视野，实现了对领域可鉴别特征的综合提取，通过提出的自注意位置编码方法，将训练复杂度从二阶降低为一阶，以提升物理知识和特征映射之间的协调适应性。此外，为了准确评估子域分布差异，提出了一种新的子域度量方法（ILMMD），在不同标签之间引入先验概率分布，使源域标签更加平滑，权衡原有确定性标签和分布性标签，从而促进目标域的学习，扩展了决策边界，增加了聚类中心之间距离，从而弥合域适应过程中子域间隙。最后通过公共数据和LUT实验室轴承数据进行了验证，结果表明所提方法具有优异的跨域诊断性能。

在该文中，作者首次提出增强物理知识来协调适应网络特征学习过程，以促进迁移诊断效果，该工作为滚动轴承跨域故障诊断提供了新思路。

剡昌锋研究员课题组一直致力于滚动轴承故障诊断和性能退化评估等方面的研究，近三年来并先后在《ISA Transactions》（IF：7.3）（Remaining useful life prediction of rolling bearings based on risk assessment and degradation state coefficient，DOI: 10.1016/j.isatra.2022.01.031）、《Structural Health Monitoring》（IF：6.6）（Multiple faults separation and identification of rolling bearings based on time-frequency spectrogram，DOI: 10.1177/14759217231197110），Health condition monitoring of bearings based on multifractal spectrum feature with modified empirical mode decomposition-multifractal detrended fluctuation analysis，DOI: 10.1177/14759217211065991）、《Measurement》（IF：5.6）（Investigation on characteristics of vibration interaction between supporting bearings in rotor-bearing system，DOI: 10.1016/j.measurement.2023.113000）、《IEEE Transactions on Instrumentation and Measurement》（IF：5.6）（Health condition identification of rolling element bearing based on gradient of features matrix and MDDCs-MRSVD，DOI:10.1109/TIM.2022.3190062）和《IEEE Sensors Journal》（IF：4.3）（Multiscale residual antinoise network via interpretable dynamic recalibration mechanism for rolling bearing fault diagnosis with few samples，DOI:10.1109/JSEN.2023.3328007，The LFIgram: A targeted method of optimal demodulation band selection for compound faults diagnosis of rolling bearing，DOI:10.1109/JSEN.2024.3353208）等国内外期刊上发表了系列研究成果。

上述研究工作得到了国家自然科学基金（局部缺陷滚动轴承系统多事件激励振动响应机理与识别方法的研究，51765034）和（基于全周期征兆特性的滚动轴承系统复合故障诊断方法研究，52365011）的支持。（撰稿：刘斌、师志峰；审核：党渭平）