DOI: https://doi.org/10.1016/j.engappai.2026.113867
تاريخ النشر: 2026-01-16
المؤلف: Jie Wang وآخرون
الموضوع الرئيسي: تقنيات تشخيص أعطال الآلات
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا لتكيف المجال متعدد المصادر (MSDA) لتشخيص الأعطال، حيث تعالج القيود المفروضة على الطرق الحالية التي غالبًا ما تؤدي إلى نقل سلبي بسبب فرض محاذاة التوزيع العالمي. يقدم نموذج MSDA الموجه بالاهتمام عبر المجالات (CDA-MSDA) وحدة اهتمام عبر المجالات تدمج ديناميكيًا الميزات من كل من المجالات المصدر والهدف، مما يعزز نقل الميزات ذات الصلة مع الحفاظ على الخصائص التمييزية في مجال الهدف. بالإضافة إلى ذلك، يتم تنفيذ وحدة تقطير المعرفة حول الأعطال لمواءمة فئات الأعطال عبر المجالات، وتجمع وحدة القرار التعاوني الديناميكي متعدد النماذج التوقعات من مصنفات مختلفة لتخفيف النزاعات الناشئة عن اختلاف موثوقية مجال المصدر.
تظهر التجارب الواسعة التي أجريت على ثلاثة مجموعات بيانات مرجعية عبر 16 مهمة نقل فعالية CDA-MSDA، حيث تحقق دقة تشخيص متوسطة تبلغ 94.99%، متجاوزة الطرق الحديثة بنسبة 2-10%. تستنتج الدراسة أن وحدة الاهتمام عبر المجالات تدمج بنجاح المعرفة القابلة للنقل والمعرفة الخاصة بالمجال حول الأعطال، بينما تحدد أيضًا عينات الهدف ذات أوزان الاهتمام المنخفضة كأنواع محتملة من الأعطال غير المعروفة. ستستكشف الأعمال المستقبلية آلية اهتمام من مرحلتين لتقليل التعقيد الحسابي بشكل أكبر.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على التحديات التي تواجه تشغيل وصيانة المعدات الميكانيكية المعقدة في سياق الصناعة 4.0، حيث تكون الطرق التقليدية غير كافية. يؤكد المؤلفون على ضرورة استخدام تقنيات ذكية متقدمة، خاصة تلك المعتمدة على التعلم العميق، لتسهيل تشخيص الأعطال بشكل فعال. تشمل التطورات الأخيرة دمج الشبكات العصبية التلافيفية البايزية ونماذج اللغة الكبيرة متعددة الوسائط، التي تعزز دقة التشخيص من خلال الاستفادة من المعلومات التمييزية العميقة من إشارات الاهتزاز. ومع ذلك، فإن فعالية هذه الطرق تعتمد على توفر مجموعات بيانات تدريب مصنفة وتناسق توزيعات البيانات، والتي غالبًا ما لا تتوفر في البيئات الصناعية الحقيقية.
لمعالجة هذه القيود، تناقش الورقة إمكانيات طرق تكيف المجال (DA)، وخاصة DA غير المشرف عليه، الذي يمكن أن يعمل دون عينات هدف مصنفة. تم اقتراح استراتيجيات متنوعة لتعزيز تشخيص الأعطال عبر المجالات، بما في ذلك نهج تكيف المجال متعدد المصادر (MSDA) الذي يستخدم المعلومات من مجالات مصدر متعددة لتحسين التعميم عبر ظروف التشغيل المتغيرة. يقدم المؤلفون نموذج MSDA جديد، CDA-MSDA، الذي يدمج معلومات تشخيصية مكملة ويعزز استخراج الميزات من خلال وحدة اهتمام عبر المجالات، وتقطير المعرفة حول الأعطال، وآلية قرار تعاوني ديناميكي متعدد النماذج. تظهر النتائج التجريبية أن CDA-MSDA يتفوق بشكل كبير على النماذج الحالية في دقة التشخيص والاستقرار، مما يعالج التحديات الحرجة لتشخيص الأعطال عبر المجالات في الأنظمة الميكانيكية.
نقاش
في هذا القسم، يناقش المؤلفون تطوير وتقييم نموذج جديد لتكيف المجال متعدد المصادر (MSDA)، يسمى CDA-MSDA، يهدف إلى تعزيز تشخيص الأعطال عبر ظروف التشغيل المتغيرة. تتكون بنية النموذج من عدة نماذج فرعية مستقلة من المصدر إلى الهدف، كل منها يحتوي على مستخرج ميزات، ومميز مجال، ومصنف، ووحدة اهتمام عبر المجالات، ووحدة تقطير المعرفة حول الأعطال. يسمح هذا التصميم بتوقعات متنوعة من خلال الاستفادة من معلومات الأعطال من مجالات مصدر متعددة مع الحفاظ على سلامة ميزات مجال الهدف. تسهل آلية الاهتمام عبر المجالات تفاعل الميزات بشكل فعال، مما يمكّن نقل الميزات ذات الصلة مع تقليل عدم التوافق للميزات غير ذات الصلة.
تظهر النتائج التجريبية أن نموذج CDA-MSDA يتفوق بشكل كبير على الطرق الحالية في دقة التشخيص عبر مجموعات بيانات متنوعة، حيث يحقق دقة متوسطة تبلغ 94.99% على مجموعة بيانات صندوق التروس WT-Planetary و96.72% على مجموعة بيانات المحامل QPZZ-II. من الجدير بالذكر أن النموذج يتفوق في المهام التي تكافح فيها الطرق الأخرى، خاصة في الحفاظ على أداء عالٍ تحت ظروف صعبة. ينسب المؤلفون هذا النجاح إلى الدمج الفعال لمعارف الأعطال وعملية اتخاذ القرار التكيفية لوحدة القرار التعاوني الديناميكي متعدد النماذج (MDCD)، التي تختار التوقعات الأكثر موثوقية من النماذج الفرعية. علاوة على ذلك، تؤكد دراسات الإزالة على المساهمات الحيوية لوحدات الاهتمام عبر المجالات وتقطير المعرفة حول الأعطال في الأداء العام، مما يبرز أدوارها في تعزيز استخراج الميزات ونقل المعرفة. تؤكد النتائج على إمكانيات نموذج CDA-MSDA لتشخيص الأعطال بشكل قوي في البيئات الصناعية المعقدة.
DOI: https://doi.org/10.1016/j.engappai.2026.113867
Publication Date: 2026-01-16
Author(s): Jie Wang et al.
Primary Topic: Machine Fault Diagnosis Techniques
Overview
The research paper presents a novel approach to multi-source domain adaptation (MSDA) for fault diagnosis, addressing the limitations of existing methods that often lead to negative transfer due to enforced global distribution alignment. The proposed cross-domain attention guided MSDA model (CDA-MSDA) introduces a cross-domain attention module that dynamically integrates features from both source and target domains, enhancing the transfer of relevant features while preserving discriminative characteristics in the target domain. Additionally, a fault knowledge distillation module is implemented to align fault categories across domains, and a multi-model dynamic collaborative decision module aggregates predictions from various classifiers to mitigate conflicts arising from differing source domain reliability.
Extensive experiments conducted on three benchmark datasets across 16 transfer tasks demonstrate the effectiveness of CDA-MSDA, achieving an average diagnostic accuracy of 94.99%, which surpasses state-of-the-art methods by 2-10%. The study concludes that the cross-domain attention module successfully fuses transferable and domain-specific fault knowledge, while also identifying target samples with low attention weights as potential unknown fault types. Future work will explore a two-stage attention mechanism to further reduce computational complexity.
Introduction
The introduction of this research paper highlights the challenges faced in the operation and maintenance of complex mechanical equipment in the context of Industry 4.0, where traditional methods are inadequate. The authors emphasize the necessity for advanced intelligent techniques, particularly those based on deep learning, to facilitate effective fault diagnosis. Recent advancements include the integration of Bayesian convolutional neural networks and multimodal large language models, which enhance diagnostic accuracy by leveraging deep discriminative information from vibration signals. However, the effectiveness of these methods is contingent upon the availability of labeled training datasets and the consistency of data distributions, which are often not met in real industrial settings.
To address these limitations, the paper discusses the potential of domain adaptation (DA) methods, particularly unsupervised DA, which can operate without labeled target samples. Various strategies have been proposed to enhance cross-domain fault diagnosis, including multi-source domain adaptation (MSDA) approaches that utilize information from multiple source domains to improve generalization across varying operating conditions. The authors introduce a novel MSDA model, CDA-MSDA, which integrates complementary diagnostic information and enhances feature extraction through a cross-domain attention module, fault knowledge distillation, and a multi-model dynamic collaborative decision mechanism. Experimental results demonstrate that CDA-MSDA significantly outperforms existing models in diagnostic accuracy and stability, thereby addressing the critical challenges of cross-domain fault diagnosis in mechanical systems.
Discussion
In this section, the authors discuss the development and evaluation of a novel Multi-Source Domain Adaptation (MSDA) model, termed CDA-MSDA, aimed at enhancing fault diagnosis across varying operational conditions. The model architecture comprises multiple independent source-target sub-models, each featuring a feature extractor, domain discriminator, classifier, cross-domain attention module, and fault knowledge distillation module. This design allows for diverse predictions by leveraging fault information from multiple source domains while maintaining the integrity of target domain features. The cross-domain attention mechanism facilitates effective feature interaction, enabling the transfer of relevant features while minimizing the misalignment of irrelevant ones.
The experimental results demonstrate that the CDA-MSDA model significantly outperforms existing methods in diagnostic accuracy across various datasets, achieving an average accuracy of 94.99% on the WT-Planetary gearbox dataset and 96.72% on the QPZZ-II bearing dataset. Notably, the model excels in tasks where other methods struggle, particularly in maintaining high performance under challenging conditions. The authors attribute this success to the effective fusion of fault knowledge and the adaptive decision-making process of the Multi-Model Dynamic Collaborative Decision (MDCD) module, which selects the most reliable predictions from the sub-models. Furthermore, ablation studies confirm the critical contributions of the cross-domain attention and fault knowledge distillation modules to the overall performance, highlighting their roles in enhancing feature extraction and knowledge transfer. The findings underscore the potential of the CDA-MSDA model for robust fault diagnosis in complex industrial settings.