《Intelligence & Robotics》：Open-set fault diagnosis for solar insecticidal lamp IoT systems using adaptive prototypes
编辑推荐：
可靠诊断田间部署的智能农业设备，不仅要求准确识别已知故障，还需在部署后可靠拒识未见故障条件。该挑战在太阳能杀虫灯物联网（SIL-IoTs）系统中尤为突出：环境波动、部件老化与运行扰动会引发显著类内差异，削弱传统闭集诊断可靠性。为此，研究人员提出一种基于原型的开
可靠诊断田间部署的智能农业设备，不仅要求准确识别已知故障，还需在部署后可靠拒识未见故障条件。该挑战在太阳能杀虫灯物联网（SIL-IoTs）系统中尤为突出：环境波动、部件老化与运行扰动会引发显著类内差异，削弱传统闭集诊断可靠性。为此，研究人员提出一种基于原型的开放集故障诊断框架：首先以时序编码器从多通道电信号中提取判别性表示；在所学特征空间中构建已知故障类原型，并引入不确定性感知原型距离（UAPD）以刻画类内特征方差；进一步提出类自适应保形阈值（CACT），仅利用已知类校准样本为每类估计独立接受边界，无需真实未知故障调参。在五个开放集任务中，该方法在整体开放集准确率与H-score上均取得领先，较最强基线绝对提升最高达0.0377，为野外SIL-IoTs系统提供了高效且可落地的开放集故障诊断方案。
研究背景与问题缘起
太阳能杀虫灯物联网（SIL-IoTs）是集成感知、供电、通信与电气执行功能的田间智能终端，需长期在开放环境中自主运行。现有数据驱动故障诊断多基于闭集假设，要求训练与测试标签空间一致；一旦部署后出现未见故障，闭集分类器会将其强行归入最近已知类，掩盖新型失效并误导维护决策。此外，已知故障在多变工况下呈现异构类内离散度，而常规原型方法常采用欧氏距离或全局统一拒绝阈值，忽视类间特征几何差异，导致接受边界不稳、已知识别与未知拒识失衡。
研究人员开展的工作与结论
研究人员提出统一已知分类与未知拒识的原型化开放集框架：以时序编码器学习多通道电气信号判别表示，在特征空间构建类原型；设计不确定性感知原型距离（UAPD，uncertainty-aware prototype distance）按类内方差归一化匹配原型；提出类自适应保形阈值（CACT，class-adaptive conformal thresholding），仅用已知类校准集为每类估计分位阈值。在SIL-IoTs真实数据集上构建五组开放集任务，结果表明该方法在整体开放集准确率（OS）与H-score上均最优，较最强基线最高绝对提升0.0377，且计算开销极低，适合资源受限设备。
主要关键技术方法
研究人员采用来自安徽滁州实地三台SIL-IoTs设备、两个月运行期的多通道监测信号，按7:2:1划分训练/验证/测试并做滑窗与标准化；编码器为三层一维卷积+批归一化+GELU+自适应平均池化，联合交叉熵损失、中心损失（center loss）与监督对比损失（supervised contrastive loss）优化；训练后弃分类头，以类均值建原型，估计类内方差向量；以UAPD做方差归一化距离，以CACT基于已知校准样本的非一致性得分取1?α分位阈值（α=0.05）实现逐类开放集拒绝。
研究结果
- 2.
方法与框架
概述问题定义与三阶段流程：表示学习、UAPD原型匹配、CACT拒绝。得出框架可在无未知样本参与下统一分类与拒识。
数据预处理
滑窗长度16、步长4，子集内独立分割防泄漏，归一化参数仅来自训练集。得出可降低时间泄漏风险。
时序编码器与原型特征学习
联合三类损失使特征紧致可分。得出原型由训练后特征后验计算，不直接使用可学习中心。
UAPD
以类内方差向量对欧氏偏差逐维归一，等价于对角马哈拉诺比斯式原型距离。得出该距离能抑制离散度差异带来的匹配偏差。
CACT
以已知类校准样本计算类一致非一致性得分，取保形分位作每类阈值。得出可在仅已知数据下控制已知类拒识风险。
训练与推理流程
两阶段：先表示学习，再原型/方差/阈值估计；推理仅用编码器与原型参数。得出部署轻量、无需未知数据。
- 3.
实验结果
消融实验
对比去UAPD与去CACT变体。得出UAPD主要改善异质离散度匹配，CACT调节已知/未知权衡，全模型在多数任务平衡最优。
超参数敏感性
分析α、校准比例、λ_c、λ_sc、ε。得出α=0.05、校准20%、默认损失权重最稳。
对比先进方法
与OpenMax、ARPL、OpenGAN、ViM、COCL、DCC、NNGM、EAC比较。得出本方法在OS、OS′、UNK、H-score上总体占优且波动更小。
计算效率
参数量0.0858M，额外开放集开销1.542K FLOPs/样本。得出仅增微小延迟，适合边缘端。
统计显著性
五随机种子配对检验。得出在多数困难任务上显著优于基线。
混淆矩阵与特征可视化
t-SNE显示已知类更紧、未知类更少侵入。得出特征空间分离性增强。
讨论与结论翻译
讨论指出：CACT依赖已知类校准与未来样本可交换性，若存在季节漂移、传感器老化等分布偏移，需在线重校准；对角方差设计有意放弃全协方差以换数值稳定与可解释性。结论如下：研究人员提出了一种面向SIL-IoTs的基于自适应原型的开放集故障诊断框架，通过UAPD耦合类内离散度感知匹配，通过CACT实现仅已知数据下的类特异拒绝边界；五个开放集任务实验证明该方法在已知故障识别与未知故障拒识间取得更优平衡，为野外智能农业终端提供了可部署、可校准、无需未知故障先验的实用诊断方案。
这篇论文解读已完成，接下来可以选择一个方向继续深化：
