SEE-GROW：一种可靠的探索与边界感知学习方法，用于开放集单域泛化在故障诊断中的应用

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：SEE–GROW: Reliable exploration and boundary-aware learning for open-set single-domain generalization in fault diagnosis

　　

国伟 张 | 金峰 黄 | 孟迪 李 | 费斌 张 | 昵月 秦 | 福蕾 周

摘要

在工业条件监测下，对旋转机械进行可靠的故障诊断面临以下挑战：(i) 标注数据有限；(ii) 由于未见的运行条件导致的数据分布变化；(iii) 测试时出现之前未见过的故障类型。大多数现有方法仅解决了这些问题的部分方面，当开放集不确定性和条件变化同时发生时，会导致性能下降。本文提出了一种名为SEE–GROW的交错训练方案，用于开放集单域泛化（OS-SDG），该方案在可靠的已知类别多样化训练与伪未知样本合成以及边界感知表示学习之间交替进行，从而在加强开放集样本拒绝能力的同时巩固了封闭集的决策边界。SEE以可控且可靠的方式构建了两种训练资源：首先通过差异驱动的特征扰动扩展已知类别流形，同时过滤不可靠的变化以避免语义漂移，从而获得多样化且标签一致的安全已知样本集；然后通过在联合校准的“一对所有”拒绝边界附近搜索最小交叉样本来生成边界附近的伪未知样本，提供边界感知的未知样本。基于这些资源，GROW构建了一个对领域变化具有鲁棒性且对开放集输入敏感的表示空间，该空间通过一个连贯的吸引-排斥-校准流程发挥作用：可靠样本主导原型构建以实现稳定的已知类别区分，边界加权的Open-Push机制将伪未知样本排斥到结构化的开放空间边界之外，不确定性提取则使多类模型头部与拒绝行为对齐，从而实现更好的置信度校准。在轴承和行星齿轮箱数据集上的广泛实验表明，SEE–GROW的性能始终优于现有方法，在未见过的运行条件下，其在已知故障识别和未知故障检测方面均取得了卓越的和谐平均性能。