论文题目PCASTNet一种用于跨设备小样本故障诊断中样本生成的物理约束自适应风格迁移网络论文期刊IEEE Transactions on Instrumentation and Measurement论文日期2025年论文链接:数据集使用CWRUHUSTbearing BJTU-RAO代码分享通过email索要xiaoxihurailgmail.comxiaoxhubjtu.edu.cn正常26年6月开源代码作者胡小溪1,李俊毅2,黄宇涵3,张新钰1王欢1何艺鸣4机构1 清华大学 2 西南石油大学 3 哈尔滨工业大学 4 华中科技大学引用Hu X, Li J, Huang Y, et al. PCASTNet: A Physics-Constrained Adaptive Style Transfer Network for Sample Generation in Cross-Machine Small-Sample Fault Diagnosis[J]. IEEE Transactions on Instrumentation and Measurement, 2025.灵感启发来自华南理工大学硕士论文《变工况下的数控机床主轴轴承故障智能诊断方法研究》第五章—基于风格迁移的跨转速故障诊断方法。导师李巍华、张 军摘要为了弥补传统跨设备样本生成方法中被忽视的数据真实性和物理一致性问题本文提出了一种名为PCASTNetPhysics-Constrained Adaptive Style Transfer Network的物理约束自适应风格迁移网络用于在小样本条件下为被监测设备生成诊断样本。PCASTNet利用风格迁移技术将参考设备的故障内容与被监测设备的机器风格进行解耦。此外它通过在样本合成过程中引入一个频带能量约束来进一步整合物理先验知识。该框架基于多尺度小波变换由一个小波编码器、一个自适应风格归一化AdaSN模块、一个小波解码器以及一个多目标损失函数组成该损失函数共同约束了内容保真度、风格一致性和物理一致性。在两个跨设备场景中的实验结果表明PCASTNet能够从有限的被监测设备数据中生成大量样本并在小样本条件下显著提高诊断准确率。关键词小样本故障诊断跨设备样本生成风格迁移信号处理背景与贡献故障诊断在过去几十年中得到了广泛研究但其在真实工业场景中的实际部署仍然充满挑战特别是在跨设备小样本故障诊断设置中数据稀缺和域差异的复合效应严重影响了诊断性能。现有方法的局限性基于物理模型的方法精度高度依赖于精确的结构参数和边界条件这些在实际中难以获取并且物理模型的固有简化不可避免地在合成信号和真实信号之间造成“现实差距”。数据驱动方法如GAN尽管取得了成功但仍面临两大挑战。首先确保数据真实性仍然困难现有模型常常遭受模式崩溃生成的样本缺乏多样性或未能捕捉到目标机器的特定统计风格。其次它们缺乏物理一致性作为黑箱操作无法保证生成的样本遵循真实世界信号的基本能量分布原则。针对上述问题本文提出了PCASTNet模型旨在通过一种“内容-风格”分离的原则来生成兼具真实性和物理合理性的合成故障样本。本研究的贡献总结如下融合数据真实性与物理一致性本文提出的框架明确地将数据真实性和物理一致性这两个在传统样本生成方法中常被忽略的方面结合起来。通过“风格-内容”分离策略保留了故障语义同时通过频带能量约束来维持与真实信号能量分布的一致性。创新的自适应风格归一化模块AdaSN我们设计了一个AdaSN模块该模块通过一个可学习的通道级系数结合了实例归一化Instance Normalization, IN和层归一化Layer Normalization, LN的优点。这种动态归一化策略减轻了设备间的风格差异并提高了跨不同设备进行风格对齐的灵活性。卓越的诊断性能在多个跨设备小样本任务上进行的广泛实验证实与现有基线方法相比PCASTNet实现了卓越的诊断性能。核心方法PCASTNet 之所以能生成符合物理规律的高质量样本归功于其独特的数学构造。不同于传统 GAN 的“黑盒”映射我们通过显式的公式推导实现了风格-内容解耦与物理能量守恒。风格与内容我们到底在“迁移”什么在 PCASTNet 里我们经常提到要把“内容”和“风格”分开那么这两个概念具体指什么内容Content可以理解为「故障本身在信号里的语义信息」。比如这是内圈故障还是外圈故障是否存在明显的周期性冲击时频图上那一条条清晰的条纹/带状结构。这些东西决定了“这是哪一种故障”和设备型号、转速、采样平台无关是故障诊断真正关心的“本质”。风格Style则对应于「同一类故障在不同设备、不同工况下呈现出来的样子」更偏向统计与外观层面例如噪声水平高低、背景有没有纹理某些频带能量更强、整体对比度如何不同转速、不同采样装置带来的频谱展宽、能量重新分布等。换句话说风格决定了“这段信号看起来像哪台机器、哪个工况”。“风格”和“内容”的视觉说明。红色框中成对出现的冲击条纹对应 0.007 inch 球故障的语义特征可视为该故障的内容橙色框中单条的冲击条纹则对应 0.021 inch 球故障的内容。上下两行图像在整体幅值、纹理等方面的差异则反映了由于工况不同而产生的风格变化。可以看到同一种故障在不同尺寸、不同负载下其“内容”红框、橙框所圈出的冲击条纹保持相对稳定而整体幅值、纹理和噪声背景随工况发生变化这部分正是 PCASTNet 中需要对齐和迁移的“风格”。在 PCASTNet 中我们用参考设备的数据提供故障内容用被监测设备的少量数据提供机器风格再通过风格迁移网络把两者组合起来内容来自“参考设备”风格来自“被测设备”。这样生成出来的样本既保留了可靠的故障语义不改故障类型又长成了“目标设备习惯的样子”为跨设备小样本诊断提供了更真实、更物理合理的训练数据基础。AdaSN可学习的动态风格融合实验本文在CWRU、BJTU-RAO和HUSTbearing三个公开轴承数据集上进行了实验模拟了两种跨设备小样本故障诊断场景CWRU到BJTU-RAO和CWRU到HUSTbearing。在具体实验流程上本文采用了一个贴近真实工程场景的设置。首先从 CWRU 中选取作为参考设备的数据为模型提供丰富、干净、标注明确的故障内容再从 BJTU-RAO 和 HUSTbearing 中抽取极少量标注样本如每类约 50 条作为被监测设备的风格参考用来刻画不同机器在实际工况下的能量分布和统计特性。随后将参考设备的故障内容与被监测设备的机器风格输入 PCASTNet编码成时频特征后通过 AdaSN 模块进行风格注入与归一化再由解码器生成兼具“参考故障内容 目标机器风格”的合成样本。在得到这些样本后我们用「真实监测数据 生成样本」共同训练一个轻量级故障分类器并在严格划分的测试集上评估准确率、F1 分数和 AUC 等指标。通过这样的流程实验既控制了目标设备的标注样本量真实小样本场景又能系统地考察 PCASTNet 在不同跨设备组合上的泛化能力与稳定性。定性分析从时频图可以看出与基于GAN的方法常引入模糊、伪影和不自然的纹理噪声相比PCASTNet生成的样本具有更优的结构清晰度和风格一致性。从能量直方图可以看出PCASTNet生成的样本能量分布与目标风格样本高度一致验证了其物理一致性。定量分析如表所示在CWRU到BJTU-RAO的场景中仅使用50个监测样本进行增强PCASTNet在准确率、F1分数和AUC方面均显著优于所有对比的GAN模型达到了89.48%的准确率并且收敛速度更快稳定性更高综合性能直观展示了在两个不同的跨设备场景下PCASTNet相较于不增广、仅使用参考样本以及其他GAN方法的优势。结果表明PCASTNet在提高诊断准确性方面具有强大的泛化能力和稳定性。总结在本研究中本文提出了用于跨设备小样本故障诊断的PCASTNet模型解决了在实际工业场景中由于结构差异和故障样本不足导致的诊断性能下降问题。该方法通过利用基于小波的时频表示和可学习的归一化模块来解耦故障语义和特定于设备的风格引入频带能量约束来强制实现频谱上的一致性实现了卓越的性能。实验结果表明PCASTNet能够显著提升在小样本条件下的诊断准确率为实际机械系统中的智能故障诊断提供了一个可泛化且物理上可解释的解决方案。