一种用于电力变电站设备检测的解耦场景-设备融合方法

《Knowledge-Based Systems》：A decoupled scene-equipment fusion method for power substation equipment detection

针对动态工况下在线机械故障诊断中域偏移和新型故障检测的难题，提出基于证据推理的TTA方法ETTA。通过谱熵标签校准降低过自信伪标签影响，fisher信息证据网络量化不确定性，信息最大化目标增强分类置信度，证据一致性机制防止灾难性遗忘。实验表明ETTA在三个旋转机械数据集上显著优于现有方法，有效处理动态工业数据流。

　　在现代工业系统中，机器故障诊断是实现预测性维护的关键环节，它不仅有助于保障设备的正常运行，还能有效预防重大故障，降低经济损失。随着智能制造的不断发展，越来越多的工业系统开始依赖在线故障诊断技术，即诊断模型能够实时分析传感器数据流，对设备健康状况进行持续评估。然而，在实际应用中，这种从离线诊断向在线诊断的转变带来了诸多挑战，包括由于操作条件变化导致的领域漂移（domain drift）、在预定义类别之外出现的新故障类型，以及数据获取的局限性。这些问题限制了传统智能诊断方法在动态环境中的适应性与诊断精度。

为了应对这些挑战，研究人员提出了一系列基于领域适应（Domain Adaptation, DA）的诊断方法，以实现跨领域知识迁移。这些方法通常通过最小化源域（训练数据）和目标域（测试数据）之间的分布差异，来提高模型的泛化能力。例如，一些方法利用对抗训练（adversarial training）和统计度量学习（statistical metric-based learning）来优化模型，使其在变化的负载或速度条件下依然能够保持较高的诊断性能。尽管这些方法在一定程度上提高了模型的鲁棒性，但它们往往依赖于同时具备源域和目标域的样本，这在实际工业环境中并不总是可行。源域数据可能因保密或隐私问题而无法获取，而目标域数据在系统初始部署时通常较为有限。

为了解决对源域训练数据的依赖问题，研究者开始关注源数据无依赖的领域适应（Source-Free Domain Adaptation, SFDA）技术。这类方法旨在在不使用原始源域数据的情况下，将预训练的模型适应到目标域。SFDA方法通常依赖于源模型中编码的知识，通过自监督学习、熵正则化和分布对齐等策略来实现模型的迁移。虽然SFDA方法在一定程度上解决了源数据隐私和可访问性的问题，但它们仍然需要大量的未标记目标域数据进行离线训练。然而，在实际工业环境中，监测数据通常是流式到达的，难以提前收集足够的目标数据进行离线训练。此外，机器的操作条件往往随着工艺需求的变化而动态调整，这使得预先收集数据进行离线训练的方法难以应对这种动态变化。

因此，在动态环境中，发展一种能够实时适应新数据并持续学习的在线故障诊断方法显得尤为重要。这类方法能够在数据流到达时进行实时故障识别，并根据新观察到的样本动态更新模型参数。与传统的离线训练方法不同，在线故障诊断方法强调在不断变化的环境中的适应性，从而实现更高效、更灵活的故障检测。例如，一些研究提出通过物理引导的记忆增强和因果启发的泛化方法，来提升模型在不同操作条件下的知识保留能力。另一些研究则通过动态分支层融合的方法，为每个旧任务构建专用的分支层，以保留已学习的知识并减少模型膨胀。然而，这些方法通常需要新的标记样本进行重新训练，这在实际在线场景中可能难以实现。

为了解决上述问题，本文提出了一种基于证据深度学习的测试时间适应（Test-Time Adaptation, TTA）方法，用于在线机器故障诊断。该方法融合了多个关键组件，包括基于谱熵的标签校准策略、基于费舍尔信息的证据深度网络、信息最大化目标以及证据一致性反遗忘机制。这些组件共同作用，使得模型能够在缺乏标记数据的情况下，实现有效的自适应，同时减少因伪标签噪声带来的误差积累和信心偏差。此外，该方法还能够保持诊断的稳定性，并提升对未知条件的泛化能力。

在方法论部分，本文首先对在线故障诊断问题进行了形式化定义，然后详细介绍了所提出的ETTA框架的结构和优化过程。ETTA框架的核心思想是利用证据深度学习技术，对模型的预测不确定性进行建模，并通过动态更新策略，使模型能够适应不断变化的数据分布。具体而言，基于谱熵的标签校准策略能够减少模型对伪标签的过度自信，从而提高伪标签的质量。基于费舍尔信息的证据深度网络则能够对预测信心进行校准，并识别未知故障类型。信息最大化目标进一步增强了模型的判别能力，同时保持输出的多样性。此外，证据一致性反遗忘机制则通过引入不确定性加权的约束，来保留可靠的先验知识，并缓解在持续适应过程中可能出现的灾难性遗忘（catastrophic forgetting）问题。

在实验部分，本文对三种旋转机械数据集进行了广泛测试，以验证ETTA方法在动态工业环境中的有效性。这些数据集被用来模拟真实工业环境中持续发生的领域变化。实验结果表明，ETTA方法在适应能力、诊断稳定性以及对未知条件的泛化能力方面均优于现有的多种先进方法。此外，本文还探讨了ETTA方法在不同设置下的表现，强调了其在动态数据分布下的适应性。这些实验不仅验证了ETTA方法的有效性，还为未来的研究提供了新的方向。

本文的主要贡献可以归纳为以下三点。首先，提出了一种基于谱熵先验的标签校准策略，以减少深度模型对伪标签的过度自信，从而提高伪标签的质量。其次，引入了一种基于费舍尔信息的证据深度网络，用于对预测不确定性进行建模，并通过信息最大化目标进一步增强模型的判别能力，同时保持输出的多样性。最后，开发了一种证据一致性反遗忘机制，该机制通过引入不确定性加权的约束，来保留可靠的先验知识，并缓解在持续适应过程中可能出现的灾难性遗忘问题。

本文的结构安排如下。在第二部分，将详细阐述所提出的ETTA框架，包括其理论基础和实现过程。第三部分将介绍实验设置，并讨论实验结果，以展示该方法的有效性。第四部分将总结全文，并提出未来研究的可能方向。此外，本文还涉及了数据获取的声明，指出作者没有权限分享数据。在写作过程中，作者使用了生成式人工智能技术（如ChatGPT）来提高语言表达和可读性，并在使用该工具后进行了内容的审查和编辑，确保了文章的准确性和完整性。最后，作者声明不存在可能影响本文研究的财务利益或个人关系。本文的研究得到了中国博士后科学基金会和国家自然科学基金的支持，分别资助项目编号2024M754076和52505082。

总的来说，本文提出了一种全新的在线故障诊断方法，通过结合证据深度学习和测试时间适应技术，解决了传统方法在动态环境中的适应性问题。该方法不仅能够处理领域漂移和新故障类型，还能够在缺乏标记数据的情况下，实现有效的模型自适应。通过引入多种机制，如标签校准、不确定性建模、信息最大化和反遗忘机制，ETTA方法在保持诊断精度的同时，提升了模型的鲁棒性和泛化能力。这些创新为未来智能故障诊断技术的发展提供了重要的理论支持和实践指导。