基于图学习的自监督跨域开放集故障诊断方法，在时变速度条件下应用

《JOURNAL OF INTELLIGENT MANUFACTURING》：Self-supervised cross-domain open-set fault diagnosis method based on graph learning under time-varying speed conditions

开放集故障诊断在变转速旋转机械跨域场景中面临特征纠缠和域移挑战，本文提出基于图表示学习的自监督阈值自适应方法。通过挖掘时变信号中的潜在故障图结构，结合共享类原型引导的自监督对比学习增强特征可分性，采用伪标签序列与动态置信阈值机制优化决策边界，并引入共享类子域对齐策略提升跨域泛化能力。实验表明该方法在两个时变转速故障数据集上显著优于传统方法，故障识别准确率和泛化性能提升显著。

　　

摘要

在工业环境中对旋转机械进行跨条件迁移诊断时，可能会出现训练过程中未见过的新故障类型，从而引发开放集故障诊断问题。同时，设备的运行速度会随时间频繁变化，导致监测信号发生域偏移，使得不同故障类别之间的特征边界变得模糊。然而，现有的开放集诊断研究主要集中在恒定速度条件下，忽略了由速度变化带来的特征纠缠和迁移挑战，从而限制了其实际应用性。为了解决这一问题，本文提出了一种基于图学习的自监督开放集阈值自适应方法，用于在速度变化的情况下对旋转机械进行跨域开放集故障诊断。具体而言，引入了图表示学习技术来挖掘时变信号中的关键潜在故障信息。采用共享类原型引导的自监督对比学习方法来提高样本级别的特征区分能力。通过结合伪标签序列和置信阈值自适应机制，动态调整共享类与未知类之间的决策边界。此外，还整合了共享类子域对齐策略以增强模型的跨域泛化能力。在两个具有速度变化特征的故障数据集上设计了跨域开放集诊断任务进行对比实验。实验结果表明，所提出的方法在故障识别准确性和泛化性能方面表现出色，为工业环境中旋转机械的健康状态识别提供了可靠的解决方案。