確保旋轉機械的可靠和安全運行是現代工業系統的基本要求（Chen等人，2025年；Brito等人，2023年）。旋轉機械廣泛應用于制造、運輸、航空航天和能源領域，它們經常在惡劣且多變的條件下運行（Men和Zhao，2023年；Li等人，2021年）。如果未能及時檢測到故障，可能會導致生產損失、設備損壞和嚴重的安全事故（Meléndez-Useros等人，2026年；Chen等人，2024年）。因此，可靠的故障診斷對于運行安全和系統可靠性至關重要（Bo等人，2025年；Xiao等人，2025年）。
得益于人工智能的快速發展，深度學習在智能故障診斷方面取得了顯著成就。這些模型可以從原始或轉換后的傳感器信號中學習出具有區分能力的表示，并減少了對手動特征工程的依賴（Han等人，2025年；Peng等人，2025年）。卷積神經網絡（He等人，2026年）、自編碼器（Mo等人，2025年；Liao等人，2025年）和Transformer架構（Wu等人，2026年；Chen等人，2024年）已被用于處理時域、頻域和時頻輸入的數據。然而，實驗室數據集上的良好結果并不總能直接應用于實際場景（Liu，2025年；Liao等人，2024年）。在不同負載、速度、傳感器配置或機器條件下收集的數據往往存在領域遷移現象，這會削弱模型的泛化能力（Li等人，2026年；Chen等人，2025年）。
為了解決這個問題，無監督領域適應（UDA）已被廣泛研究用于故障診斷（Chen等人，2025年；Zheng等人，2026年）。UDA旨在通過減少標記源領域和未標記目標領域之間的差異來學習領域不變表示。最大均值差異（MMD）常用于差異最小化（Ganin和Lempitsky，2015年），而基于梯度反轉層的對抗學習是另一種主流方法（Qian等人，2025年；Yang等人，2024年）。這些技術可以在許多跨領域場景中有效對齊邊緣特征分布（Li等人，2024年；Ren等人，2024年）。然而，工業故障數據很少滿足領域間類別分布相似的隱含假設。罕見但關鍵的安全故障往往被忽視，這導致分類器偏向多數類別，并且由于少數樣本的支持不足而削弱了類別間的一致性（Li等人，2024年）。因此，即使總體準確率看起來很高，UDA方法仍可能遺漏少數故障（Kuang等人，2022年；Wang等人，2025年）。
最近的研究將不平衡感知策略集成到領域適應中，從而發展出不平衡領域適應（IDA）（Lee等人，2024年）。代表性的解決方案包括成本敏感加權（Shu等人，2025年）、基于混合的插值（Huang等人，2026年）以及能夠處理分布外樣本的半監督框架（Wu等人，2024年）。盡管這些方法很有價值，但它們通常獨立處理樣本，可能會忽略由共同運行機制和退化過程引起的結構依賴性。
圖神經網絡（GNNs）最近被引入到故障診斷中，用于建模這種依賴性（Cong等人，2026年）。通過編碼樣本之間的成對關系，消息傳遞可以提高模型的魯棒性和遷移能力（Niu等人，2025年）。領域對抗性圖卷積網絡（DAGCN）結合了圖卷積和對抗性適應，以利用結構信息（Qian等人，2025年），Zhu等人提出了一個雙對比多視圖圖注意力網絡來增強對齊性和類別一致性（Zhu等人，2025年）。然而，當噪聲較強或特征重疊時，成對邊可能會變得不穩定。更重要的是，標準圖難以直接表示反映共同運行條件或常見故障機制的高階關系。
超圖神經網絡通過允許每個超邊連接多個節點來擴展圖的結構，從而實現高階的群體依賴性（Shi等人，2023年）。這種結構在故障診斷中提供了更清晰的物理解釋。受相同機制控制的樣本在其時頻特性上往往表現出協調變化，超邊有助于從這種群體級規律性中學習，而不是不穩定的成對鏈接（Hu等人，2025年）。同時，不平衡感知學習技術，如成本敏感重加權（Zhu等人，2025年）、類別對齊特征（Yang等人，2025年）和基于邊界的正則化（Zhang等人，2025年），對于提高少數類別的可分離性仍然很重要。然而，將超圖建模與不平衡領域適應相結合的統一框架仍然有限。
為了解決這些挑戰，我們提出了IDAHGCN，這是一種專為領域遷移和類別不平衡條件下的故障診斷設計的不平衡領域對抗性超圖卷積網絡。超圖生成層從局部鄰域結構中構建高階樣本關系，超圖卷積主干與結構感知的領域對抗性對齊相結合，以學習具有區分能力和遷移能力的表示。通過結合重加權、類別對齊和基于邊界的正則化的混合策略，進一步處理類別不平衡問題。在公開可用的基準數據集上的廣泛實驗表明，IDAHGCN始終優于競爭性基線。這些改進得到了超圖與GNN比較、噪聲魯棒性測試以及F1分數和G-mean等不平衡敏感指標的支持，并通過FLOPs和推理延遲來評估效率。
本文的其余部分組織如下：第2節介紹理論背景；第3節詳細闡述所提出的方法；第4節描述數據集、評估指標和實驗設置；第5節討論我們的方法的結果和有效性；第6節總結主要發現并總結全文。
