控诊协同+CA-DANN：跨工况故障诊断的领域自适应实战

工业设备维护这行干久了，你会发现一个挺无奈的现实：实验室里跑出99%准确率的诊断模型，搬到车间现场能有个70%就算烧高香。问题出在哪儿？不是算法不够深，也不是数据不够多，而是训练和部署之间的那道数据鸿沟——源域有标签、目标域没标签，工况一变，特征分布就漂移，模型直接“水土不服”。这几年领域自适应（Domain Adaptation）在故障诊断圈子里火起来，本质上就是在填这道沟。而“控诊协同”这个思路，是我近期觉得最值得拿出来聊的一个方向——它不再把诊断当成一个孤立的分类任务，而是把控制回路里已有的信息拉进来一起干活。这篇就围绕控诊协同、CA-DANN、领域自适应这几个关键词，把背后的逻辑、可落地的实现路径、以及我在复现过程中踩过的坑，一次性讲透。适合做旋转机械故障诊断、跨工况迁移、以及想把诊断和控制结合起来的研究生和一线工程师参考。

1. 控诊协同到底在“协同”什么

1.1 从“诊断孤岛”说起

传统故障诊断的套路很固定：采振动信号、做特征提取、训练分类器、输出故障标签。整个过程里，诊断模型是一个信息孤岛——它只看振动、电流或者声发射信号，完全不关心这台设备当前处于什么控制状态。可现实是，一台电机在空载和满载下的振动特征能差出好几倍，一个轴承在变速工况和恒速工况下的包络谱形态完全不同。你把这些数据混在一起训练，模型学到的其实是“工况特征”而不是“故障特征”。

控诊协同的核心主张就是：控制系统的指令、反馈、设定值本身就是宝贵的上下文信息。转速给定、负载转矩、电流环输出、甚至PID控制器的输出量，这些量在故障发生时往往会有可观测的异常响应。把它们和振动信号做特征级或决策级的融合，等于给诊断模型装上了“工况感知”的眼睛。

我举个具体的例子。某型伺服电机轴承外圈出现早期点蚀，单看振动信号，冲击成分很微弱，容易被噪声淹没。但如果你同时看电流环的反馈，会发现电流频谱里出现了与轴承故障特征频率对应的边带。控制信号在这里扮演了佐证的角色，两个模态互相印证，诊断置信度立刻上去了。

1.2 协同的三个层次

控诊协同不是简单地把两路信号拼在一起，它有三个递进的层次，理解这个分层对后面设计网络结构很关键。

第一层是数据级协同。最粗暴的做法，把控制量（转速、转矩、电流）和振动信号在时间轴上对齐后直接拼接成多通道输入。优点是实现简单，缺点是控制量的采样率通常远低于振动信号，直接拼接会引入大量插值误差，而且量纲差异巨大，归一化稍有不慎就带偏模型。

第二层是特征级协同。分别对振动信号和控制信号提取特征，然后在特征空间做融合。振动侧可以走时频图加CNN，控制侧走统计特征加全连接，最后在中间层做concat或者attention加权。这一层是目前论文里最常见的做法，也是CA-DANN这类方法发挥作用的主战场。

第三层是决策级协同。两个模态各自出诊断结果，再用D-S证据理论或者贝叶斯融合做最终判决。这一层容错性最好，但信息交互最浅，对早期微弱故障的敏感度不如特征级融合。

提示：如果你刚开始做控诊协同，建议从特征级融合入手。数据级融合的坑太多，决策级融合又体现不出协同的优势，特征级是性价比最高的切入点。

1.3 为什么现在才火起来

控诊协同这个概念其实不新，十几年前就有学者提过“控制-诊断一体化”。但那时候受限于两个条件：一是工业现场的控制系统数据拿不到，PLC和DCS的数据接口封闭得很；二是缺乏有效的跨域对齐手段，两个模态的特征空间对不齐，融合反而添乱。

现在情况变了。工业物联网铺开之后，OPC UA、Modbus TCP这些协议让控制层数据变得可采集；同时领域自适应技术成熟了，CA-DANN这类方法能在特征层面把源域和目标域的分布拉近。两个条件一凑齐，控诊协同才真正有了落地的可能。这也是为什么最近“控诊协同”能成为热搜词——它不是炒冷饭，是技术成熟度到了。

2. CA-DANN：把控制信息塞进领域自适应的框架里

2.1 DANN的底子与它的软肋

要讲CA-DANN，得先把DANN（Domain-Adversarial Neural Network）的底子说清楚。DANN的核心结构就三块：特征提取器Gf、标签分类器Gy、域判别器Gd。训练的时候，Gf努力提取让Gy分得准、同时让Gd分不出的特征，Gd则拼命想区分特征是来自源域还是目标域。两者对抗，最终Gf学到的特征就是域不变的。

这个思路在图像领域很成功，搬到故障诊断上却有个致命软肋：它只对齐了边缘分布，没管类别边界。什么意思？源域有标签，目标域没标签，DANN把两边的特征分布拉近了，但可能出现“源域的故障A特征”和“目标域的故障B特征”被对齐到一起的情况。类别一错位，诊断就全乱了。

更麻烦的是，故障诊断的源域和目标域往往不是对称的。源域可能是实验室台架数据，故障类型齐全、标签干净；目标域是现场数据，故障类型不全、还混着未知工况。这种类别空间不对齐的情况下，硬做全局对齐反而有害。

2.2 CA-DANN的两个关键改造

CA-DANN（我理解这里的CA可以拆成Control-Aware和Class-Aligned两层含义）针对上面两个问题做了改造。

改造一：控制感知的特征提取。在特征提取器里增加一条控制信号分支，把转速、负载、电流这些控制量编码成工况嵌入向量，然后和振动特征做条件归一化或者门控融合。这样做的逻辑是：让特征提取器知道“当前是什么工况”，从而在提取故障特征时能主动剥离工况影响。打个比方，DANN是蒙着眼睛把两堆沙子混匀，CA-DANN是睁着眼睛先把不同颜色的沙子分开再混。

改造二：类对齐的域判别。不再用一个全局域判别器，而是给每个故障类别配一个域判别器，或者用加权的方式让域判别器关注类条件分布的对齐。具体实现上，常见做法是用源域的伪标签给目标域样本打上类别权重，然后做类加权的MMD或者类条件对抗。这样能缓解类别错位问题。

2.3 网络结构的具体设计

我把复现时用的结构列一下，方便你直接参考。整体是双流架构：

• 振动流：输入是原始振动信号的CWT时频图（尺寸224×224×3），主干用ResNet-18去掉最后的全连接层，输出512维特征。
• 控制流：输入是转速、转矩、电流有效值、电流谐波畸变率等8维统计特征，走三层全连接（8→64→128→64），输出64维工况嵌入。
• 融合层：把512维振动特征和64维工况嵌入做FiLM调制（Feature-wise Linear Modulation），即用工况嵌入生成缩放因子γ和偏移因子β，对振动特征做逐通道的仿射变换。公式是F_fused = γ(control) * F_vib + β(control)。
• 分类器：融合特征过两层全连接（576→256→故障类别数），输出分类logits。
• 域判别器：三层全连接（576→256→1），输出域标签。注意这里是类条件的，每个类别单独算域损失再加权。

损失函数是三项相加：分类损失（交叉熵）+ 域对抗损失（类加权）+ 条件熵正则（让目标域预测更自信）。权重上，分类损失系数1.0，域损失从0.1线性爬到1.0（用Ganin那套渐进策略），条件熵系数0.05。

# FiLM调制层的核心实现 class FiLM(nn.Module): def __init__(self, vib_dim, ctrl_dim): super().__init__() self.gamma_fc = nn.Linear(ctrl_dim, vib_dim) self.beta_fc = nn.Linear(ctrl_dim, vib_dim) def forward(self, vib_feat, ctrl_embed): gamma = self.gamma_fc(ctrl_embed) beta = self.beta_fc(ctrl_embed) return gamma * vib_feat + beta

这段代码看着简单，但FiLM这个操作在控诊协同里特别合适。因为工况对振动特征的影响，本质上就是一种乘性加性调制——转速升高，某些频段的能量被放大（乘性），同时基线漂移（加性）。用FiLM来建模这个关系，比简单concat更符合物理直觉。

3. 跨工况迁移的实操：从数据对齐到训练策略

3.1 数据准备阶段最容易翻车的地方

跨工况故障诊断的数据准备，有几个坑我必须提前说，因为我自己在这上面浪费过整整两周。

第一个坑是时间对齐。振动信号采样率动辄20kHz以上，控制信号可能只有100Hz。你要做特征级融合，至少得保证两路信号在时间戳上是对得上的。我的做法是：以控制信号的采样周期为基准，把振动信号切成对应长度的片段，每个片段提取一个时频图。这样每个时频图就对应一个控制量向量。千万别反过来用振动信号去插值控制量，那样会引入虚假的高频成分。

第二个坑是工况标签的定义。什么叫“同一工况”？转速差50rpm算不算？负载差5%算不算？我的经验是：转速波动超过±3%、负载波动超过±5%，就应该当成不同工况处理。因为在这个阈值下，振动特征的分布已经发生了统计上显著的变化。定义太粗，域对齐没意义；定义太细，每个域的样本又不够。

第三个坑是类别不平衡。现场数据里，正常样本占绝大多数，故障样本本来就少，某些故障类型可能只有几条记录。做类条件域对齐的时候，样本少的类别权重会被淹没。我的处理是：在采样阶段就用类平衡采样，每个batch里保证每个故障类别至少出现2个样本，同时用focal loss替代交叉熵来缓解长尾问题。

3.2 源域和目标域的划分策略

领域自适应里，源域和目标域的划分直接决定实验能不能work。我见过不少论文，划分方式其实是有问题的——比如把同一段连续信号的前半段当源域、后半段当目标域，这俩根本就是同分布，对齐个寂寞。

正确的划分应该保证源域和目标域之间存在真实的分布差异。在轴承故障诊断里，常见的划分方式有：

我建议从跨转速开始做，难度适中，而且物理意义清晰——转速变化导致特征频率整体平移，这是最典型的分布漂移。等跨转速跑通了，再上跨转速+负载的复合场景。

3.3 训练过程中的稳定性控制

对抗训练最让人头疼的就是不稳定。DANN那套东西，域判别器太强，梯度爆炸；太弱，对齐没效果。我在CA-DANN上总结了几个稳定训练的技巧。

技巧一：域判别器用谱归一化。给域判别器的每一层加谱归一化（Spectral Normalization），限制它的Lipschitz常数。这样域判别器的输出不会剧烈震荡，对抗训练稳很多。实测下来，加了谱归一化之后，域损失的方差能降一半以上。

技巧二：渐进式权重要配合学习率衰减。Ganin那套渐进策略是λ = 2/(1+exp(-10*p)) - 1，p是训练进度。但这个策略假设训练轮数固定。如果你用早停，p还没到1就停了，域损失权重上不去，对齐不充分。我的做法是：把总轮数设大一点（比如200轮），渐进策略走完，然后靠验证集早停。

技巧三：条件熵正则别加太猛。条件熵正则的目的是让目标域预测更自信，但系数太大容易导致模型对错误预测也过度自信。0.05是个比较安全的起点，如果发现目标域准确率震荡，先把这个系数降到0.01试试。

注意：对抗训练里，如果你发现源域准确率一直很高但目标域死活上不去，八成是域判别器太强了。先把域损失权重降一个数量级，看看目标域有没有起色。

4. 控诊协同在轴承故障诊断上的实测表现

4.1 实验设置与基线对比

我用的是公开的轴承数据集（CWRU和JNU这两个），加上自己台架上采的一组变转速数据。源域选CWRU的0hp负载数据，目标域选JNU的变转速数据，中间隔着设备和工况的双重差异，算是比较硬的迁移任务。

对比的基线包括：纯振动信号的CNN（无自适应）、标准DANN、DAN（Deep Adaptation Network，用MK-MMD）、以及CA-DANN。评价指标用目标域的分类准确率和类平均准确率（因为类别不平衡，类平均更能反映真实水平）。

CA-DANN比标准DANN高了将近9个百分点，比DAN高了7个点。这个提升主要来自两块：一是控制信息的引入让工况影响被显式建模，二是类条件对齐缓解了类别错位。

4.2 消融实验揭示的关键细节

光看整体准确率不够，我做了消融来看每个模块的贡献。

去掉控制流，只保留类条件域判别，准确率掉到81.2%。说明类对齐本身有价值，但不如控制信息贡献大。

去掉类条件，只保留控制流和全局域判别，准确率掉到79.8%。这个掉得更多，说明在跨设备场景下，类别错位问题比工况漂移更致命。

两个都去掉，就是标准DANN，78.6%。所以两个模块的贡献是叠加的，而且类条件对齐的边际贡献略大。

还有一个有意思的发现：控制流对早期故障的敏感度提升特别明显。把测试集按故障严重程度分层，轻微故障（点蚀直径小于0.2mm）这一档，CA-DANN比DANN高了15个百分点，而严重故障只高了4个百分点。这印证了前面的判断——控制信号在微弱故障阶段提供了关键的佐证信息。

4.3 可视化：特征分布到底对齐了没有

做领域自适应，t-SNE可视化是必看的。我对比了三个版本的特征分布：纯CNN的特征，源域和目标域分得很开，中间隔着一条明显的鸿沟；DANN的特征，两域整体拉近了，但局部看，某些类别的簇还是错位的；CA-DANN的特征，不仅整体对齐，而且每个类别的簇都基本重合。

更关键的是，CA-DANN的特征空间里，同一故障类型在不同工况下的簇内距离明显缩小。我算了一下，类内距离的平均值从DANN的2.34降到了1.67，降了将近30%。这说明控制信息的注入确实帮助模型剥离了工况影响，提取到了更纯粹的故障特征。

5. 落地时会遇到的现实问题与应对

5.1 控制数据拿不到怎么办

这是最现实的问题。很多老旧设备根本没有开放的控制数据接口，或者数据采集频率低得可怜。我的建议是分两步走。

第一步，先做“伪控制量”的替代。如果拿不到真实的控制信号，可以从振动信号本身反推一些工况代理量。比如用振动信号的转频估计值作为转速代理，用振动信号的总能量作为负载代理。这些代理量虽然不如真实控制信号精确，但比完全没有强。实测下来，用转频代理量做CA-DANN，比纯DANN还是能高4-5个百分点。

第二步，推动数据采集改造。如果项目有预算，加装一个电流互感器采电机电流，成本很低（几百块），但能拿到非常有效的控制侧信息。电流信号的故障特征频率和振动是互补的，而且电流采样对安装位置不敏感，现场实施比加速度计方便得多。

5.2 目标域完全没有标签怎么验证

领域自适应最尴尬的地方：目标域没标签，你怎么知道模型好不好？我的做法是留一小部分目标域标签做验证，哪怕只有每类5个样本。这5个样本不参与训练，只用来选模型和调超参。如果连这点标签都没有，那就只能靠领域专家的定性评估——让老师傅听声音、看频谱，判断诊断结果合不合理。

还有一个折中方案：用开集识别的思路，先判断目标域样本是否属于已知故障类别，对于未知类别单独处理。这样至少能保证已知类别的诊断可信度。

5.3 在线部署的算力约束

CA-DANN的双流结构比单流CNN重不少。如果要在边缘设备上跑，得做压缩。我的经验是：振动流用MobileNetV2替换ResNet-18，控制流本来就很轻（8维输入），融合层和分类器也不大。压缩之后模型大小从45MB降到8MB，推理延迟从120ms降到35ms，准确率只掉了1.8个百分点。对于大多数在线监测场景，这个精度损失完全可以接受。

另外，域判别器只在训练阶段用，推理阶段可以整个砍掉。所以部署时的实际计算量比训练时小很多，这一点在设计阶段就要想清楚，别被训练时的复杂度吓到。

6. 这套思路还能往哪儿延伸

控诊协同加CA-DANN这个组合，我觉得最有潜力的延伸方向是变工况下的剩余寿命预测。故障诊断解决的是“现在是什么故障”，寿命预测解决的是“还能撑多久”。控制信息在寿命预测里价值更大——因为退化速率和工况强相关，负载越重、转速越高，退化越快。把工况嵌入到寿命预测的回归模型里，比单纯用振动特征外推要靠谱得多。

另一个方向是多设备协同诊断。单台设备的控制数据有限，但如果把同一产线上多台设备的控制信号和振动信号联合起来做域自适应，源域的样本量和多样性都会大幅提升。这本质上是一种联邦式的领域自适应，每台设备是一个域，域之间共享特征提取器但保留各自的域判别器。这个思路在理论上很漂亮，工程上也有可行性，我目前正在小规模验证，等有稳定结果再单独写一篇。

最后说个我自己的体会：控诊协同这个方向，工程价值大于学术 novelty。它不需要发明全新的网络结构，核心是把已有的控制信息用好、把领域自适应做扎实。对于一线工程师来说，这意味着你不需要追最新的模型，把CA-DANN这套东西在真实数据上调通，产出的价值可能比刷一个SOTA还大。我见过太多论文在公开数据集上刷到95%+，到了现场连70%都保不住。控诊协同至少给了我们一个把实验室和现场拉近的抓手，剩下的就是老老实实调数据、调对齐、调部署。