基于形状原型网络的流式工业信号未知故障增量学习方法

本文提出了一种基于形状原型网络（Shapelet Prototypical Network）和记忆距离矩阵（MDM）的流式工业信号未知故障增量学习（UFIL）方法。通过元学习（Meta-learning）框架构建模拟增量任务训练范式，结合新型元发现模块（Meta-discovery Module）实现未知故障检测与已知故障分类的动态平衡，解决了工业过程因环境变化导致的未知故障持续涌现难题。方法在田纳西-伊斯曼过程（TEP）和铝电解过程（AEP）数据集上验证了其准确性和可解释性优势。

　　

Highlight

本研究首次提出流式工业信号的未知故障增量学习（UFIL）框架，通过形状原型网络与记忆距离矩阵（MDM）的动态特征嵌入，实现工业信号中未知故障的持续检测与模型自更新。

Methodology

方法包含两阶段：1）预训练阶段初始化形状子（Shapelets）；2）元学习阶段通过模拟增量任务优化形状子、元校准模块（Meta-calibrate Module）和元发现模块（Meta-discovery Module）。其中元发现模块利用卷积神经网络（CNN）结合类别分布先验知识，实现未知故障的自动化识别。

Experiments

在模拟流式时序数据、田纳西-伊斯曼过程（TEP）和真实铝电解过程（AEP）数据集上的实验表明：1）形状子原型特征空间对工业信号波形特征具有强判别力；2）MDM有效克服滑动窗口尺寸限制；3）元发现模块的未知类检测准确率较基线方法提升12.7%。

Conclusion

该方法通过元学习驱动的形状子原型网络，为工业信号处理提供兼具动态适应性和可解释性的故障诊断框架，其"学习-发现-校准"闭环机制可推广至连续生产场景。

CRediT authorship contribution statement

Xiaoxue Wan：核心算法设计；Lihui Cen：基金支持；Xiaofang Chen：监督与框架指导；Yongfang Xie：资源协调；Zhaohui Zeng：学术方向把控。

Declaration of competing interest

作者声明无利益冲突。

Acknowledgments

感谢国家自然科学基金（62473384、62133016、62233018）、云南省科技计划项目（202202AB080017）和湖南省教育厅科研基金（21A0069）的资助。