基于ConvFormer的双条件域自适应方法的故障诊断模型

1. 引言背景与问题陈述

轴承是旋转机械的关键部件（如航空航天、汽车制造领域），其故障可能导致设备停机和生产损失。传统深度学习故障诊断方法依赖完整标注数据和相同分布，但工业中标注数据稀缺且分布差异大（由负载变化、设备老化等引起）。域适应（Domain Adaptation, DA）技术被用于缓解分布差异，但现有DA方法在跨机诊断中存在两大问题：

• ​特征信息不足​：现有网络（如卷积层）仅提取局部感受野特征，无法捕捉全局故障信息。
• ​可迁移性差​：未充分利用机器域（machine domain）和故障类别（fault category）信息，导致特征缺乏域不敏感性（domain insensitivity）和类别可判别性（category discriminability）。

CFBDAM方法的提出旨在解决这些问题：

• 贡献1：开发ConvFormer网络，提取信息丰富的故障特征。
• 贡献2：设计BDA策略，增强特征可迁移性。
• 贡献3：轻量化设计（如线性操作和分离操作），便于工业部署。

2. 方法详述

CFBDAM框架由两部分组成：ConvFormer网络和BDA策略。整体框架如图1所示：

a. ConvFormer网络

ConvFormer提取全局-局部故障特征，轻量化设计便于部署。

• ​Global-Local Feature Extractor (GLFE)​​：

  • ​