轴承故障诊断网络

跨工况泛化强

融合IBN判别特征与MixStyle风格泛化的双分支网络，动态加权不变风险最小化策略强化跨域鲁棒性，专为变化工况下的轴承故障诊断设计。

Jian, Li · Wu, Deng · 丁建明 · 赵慧敏

IEEE Transactions on Consumer Electronics 2025

参数信息

平均准确率提升

5.3–15.47 %

技术优势

诊断更准

IBN分支捕捉判别性特征，提升分类准确率；MixStyle分支学习可泛化特征，增强跨域适应性。

无需目标域数据

仅利用源域数据进行训练，即可对未见工况下的轴承故障进行准确诊断。

难样本优先约束

动态加权不变风险最小化为表现较差的源域分配更高权重，加强不变性约束，提升整体泛化能力。

应用场景

• 工业设备健康管理：无需目标域数据即可对新工况下的设备进行故障诊断，降低数据采集成本。
• 旋转机械状态监测：直接处理原始振动信号，适应不同转速和负载，提升监测系统的泛化能力。
• 智能故障诊断系统：集成双分支特征学习与鲁棒优化策略，替换传统依赖目标域数据的诊断模型。
• 跨工况故障诊断：专门针对工况变化设计，在源域训练后即可泛化到未见工况，避免重新标注。