面向未知长尾类分布的旋转机械故障诊断：边界感知对比网络(BACN)的创新应用

本文提出边界感知对比网络(BACN)，通过将基于先验知识的不平衡学习策略融入对比学习(CL)框架，解决旋转机械在未知长尾类分布下的故障诊断难题。创新性提出样本距离向量(Dvs)概念，有效整合有限标签数据与未标记数据的特征学习，克服类别分布不匹配问题，实验证明其在13种长尾场景中的优越性能。

　　

Highlight

本研究聚焦机械故障诊断领域两大核心挑战：1) 如何在不平衡学习中避免头部类别主导；2) 如何解决有限标签与未标记数据间的类别分布失配问题。

创新边界感知对比网络(BACN)

受现有研究启发，我们设计出集成约束-扩展-调整(CEA)学习策略的CL框架：

1. 1.

   约束阶段：利用有限标签实现类中心分离，通过类内聚合与类间分离技术初始化边界

2. 2.

   扩展阶段：基于样本有效数加权，将边界向头部类别推移，为尾部类别创造更大特征空间

3. 3.

   调整阶段：通过创新的样本距离向量(Dvs)实现特征学习——该向量定义为样本位置与所有约束类中心的相对距离，将无监督学习与标签约束统一在共同空间

关键技术突破

• Dvs替代传统样本表征，实现未标记数据与标签数据的知识桥接

• 无论未标记样本属于何类，Dvs强制模型考虑所有类别的边界信息

• 实验室轴承测试平台和基准数据集验证显示，BACN在13种长尾场景中均表现卓越

Conclusion

本研究提出的BACN通过CEA三阶段策略，成功将不平衡学习融入CL框架。Dvs的创新设计突破了传统方法依赖大量标签数据的限制，为未知长尾分布下的机械故障诊断提供了新范式。

（注：严格保留原文技术术语如CEA/Dvs等英文缩写，使用_j正确表示下标β_j，未使用任何HTML/SVG标签）