数据驱动电机故障诊断对未见复合故障组合的泛化能力评估

《IEEE Access》：Beyond Closed-Set Accuracy: Constituent-Level Generalization in Induction Motor Fault Diagnosis

　　摘要：数据驱动的电机故障诊断报告准确率常常接近上限，但它们很少衡量工业部署实际需要的能力，即识别复合故障的基本故障机制，而这种复合故障的确切组合在模型开发过程中从未被观察到。本文在一台2.2 kW感应电机的公开多模态数据集上评估了该能力，该数据集包含24种诊断状态，包括九种复合故障，每种复合故障将轴承缺陷与第二种机械或电气机制配对，并在12种速度和负载条件下进行测试。问题在组成部分层面进行表述，其中九种基本机制从振动和电流域中提取的针对机制的特征中独立检测，因此未见过的组合仍然可表达。交叉协议区分了复合上下文暴露的三个层级，即重组、单侧和双侧零样本保留，并与操作条件新颖性分开，使用运行级别和严重性感知的分割，所有校准仅限制在训练数据上。尽管这些状态的闭集准确率达到0.913，但对于锁定的逻辑回归组成探针，精确恢复在F1校准阈值下为0.083–0.157，在后验F0.5阈值目标下提高到0.157–0.287。机制分解的对照表明这些失败具有强烈的异质性。动态偏心在隔离状态下几乎完全可区分（AUROC 0.9995，F1 = 0.923），但其复合召回率降至0.017，复合F1降至0.028。静态偏心保留了大量的判别信息，但显示出对分类器家族的显著敏感性，而绕组在隔离状态下特异性已经较低，并且在整个过程中仍然困难。跨伙伴迁移分析被解释为上下文相关的得分行为，而非物理特征反转的因果证据。上下文与条件的交互作用在方向上保持...