面向时变跨域故障诊断的未见类特征再生对抗学习方法（UCFR）及其在工业健康监测中的应用价值

本文提出了一种未见类特征再生对抗学习方法（UCFR），用于解决时变工况下的跨域故障诊断问题。该方法通过稀疏编码构建故障属性描述，结合特征再生模块生成未见故障类别的判别特征，并引入自适应边界中心损失与属性一致性损失优化特征表示。实验表明，UCFR显著提升未见类故障诊断准确率至少10%，为工业设备在变工况环境下的智能运维提供了新思路。

　　

Highlight

本研究聚焦于时变工况下工业设备故障诊断中的核心挑战——未见故障类别的识别问题，提出了一种融合故障属性生成与特征再生的对抗学习框架（UCFR），显著提升跨域诊断泛化能力。

Methodology

方法部分系统阐述了UCFR的总体架构。已知类故障源域数据表示为 L_src = {(s^k_i, y^k_i), i=1,2,...,N_k}，其中 s^k_i 为已知故障样本，y^k_i 为对应标签。目标域未见故障数据记为 L_tar = {(s^u_i), i=1,2,...,N_u}。通过稀疏编码构建故障属性空间，利用特征再生模块协同优化类别与属性相关性，并结合自适应边界中心损失（Adaptive Margin Center Loss）增强类内聚合与类间分离特性。

Experimental analysis

实验部分通过时变信号测量平台与电机驱动系统验证UCFR有效性。算法1展示了模型训练流程，强调在最大迭代次数 I 内协调参数 θ 与平衡系数 λ_AM、λ_RE 的优化策略。结果证实该方法在未见类诊断任务中具有显著优势。

Conclusion

UCFR方法通过故障属性描述与特征再生机制，实现了从已知故障到未见故障的知识迁移，为时变工况下的零样本故障诊断提供了有效解决方案。未来工作将进一步探索多模态信号融合与实时诊断应用。