面向工业过程通用零样本故障诊断的类别感知特征生成与对比学习方法
《Process Safety and Environmental Protection》:Class-aware feature generation and contrastive learning for generalized zero-shot fault diagnosis in industrial process
【字体:
大
中
小
】
时间:2026年08月07日
来源:Process Safety and Environmental Protection 7.9
编辑推荐:
摘要
数据驱动的故障诊断方法通常依赖于大量带有标签的训练数据。然而在实际的工业环境中,往往存在缺乏训练样本的未知故障。零样本学习可以通过语义属性传递来识别未知故障,但在广义零样本故障诊断中仍存在领域偏移和语义特征不匹配的问题。为解决这些问题,本文提出了一种具有特征生成与对比学
摘要
数据驱动的故障诊断方法通常依赖于大量带有标签的训练数据。然而在实际的工业环境中,往往存在缺乏训练样本的未知故障。零样本学习可以通过语义属性传递来识别未知故障,但在广义零样本故障诊断中仍存在领域偏移和语义特征不匹配的问题。为解决这些问题,本文提出了一种具有特征生成与对比学习门控功能的类感知稀疏自编码器模型(CSAEFG-CLG)。首先,设计了一种类感知稀疏自编码器(CSAE),通过融合重构学习、稀疏性约束以及类感知监督机制,提取具有判别性和鲁棒性的特征,从而在特征空间中实现样本与属性向量之间的语义一致映射。其次,设计了一种受Wasserstein距离约束的属性引导生成对抗网络(AGGAN),根据未知故障的属性信息生成高质量伪特征,将广义零样本学习转化为有监督学习任务。最后,为减少对已知故障的过度依赖,构建了基于对比学习的门控机制,该机制能够有效区分测试样本属于已知类别还是未知类别,从而降低误分类率。在工业数据集上的实验结果表明,CSAEFG-CLG在识别已知和未知故障方面均优于其他对比方法,整体性能更优。
引言
工业过程的稳定运行是保障生产安全及降低运营成本的基本前提(Aldrini等人,2024;Yao等人,2025)。但由于设备老化、操作偏差以及外部干扰等多种因素,工业系统在运行过程中容易发生故障。这些故障可能导致设备损坏、生产中断,甚至引发安全事故。故障诊断技术可通过及早发现并快速定位工业过程中的异常状态,有效降低潜在风险与经济损失,进而提升过程的安全性与稳定性。因此,故障诊断在确保工业过程可靠运行方面起着关键作用,其重要性日益凸显(Yan等人,2024;Qian等人,2024;Liu等人,2024a)。
随着传感器技术的发展,数据驱动的故障诊断方法近年来取得了显著进展。但在工程实践中,数据驱动的故障诊断仍受到模型泛化能力、计算资源以及故障数据可用性的限制。许多故障具有破坏性但发生频率较低,难以获得完整且充足的带标签样本(Gu等人,2022)。因此,某些故障类别的样本极为稀缺甚至完全缺失。在实际操作中,几乎不可能刻意让设备进入故障状态以收集故障样本。故而,故障数据的获取是数据驱动故障诊断中最棘手的问题之一(Zhang等人,2023;Chen等人,2022;Ding等人,2023)。为解决这一问题,迁移学习(Pan和Yang,2009)被作为故障诊断领域的有效思路。迁移学习可从现有的历史数据或相关流程中提取可迁移知识,用于构建跨领域故障诊断模型。Liu等人(Liu和Ren,2020)提出了结合迁移学习策略与自适应样本扩展方法的具备演化能力的迁移框架,用于解决少样本条件下的工业过程故障诊断问题。Lu等人(Lu等人,2021)则提出了融合少样本学习机制的迁移学习网络,可高效诊断旋转机械中的少样本故障。然而,当目标领域中特定故障类别的训练样本完全缺失时,迁移学习难以克服领域偏移问题,难以在实际场景中应用。
与有监督学习不同,零样本学习(ZSL)(Lampert等人,2009)能够识别训练过程中从未出现过的类别,为工业过程中的零样本故障诊断(ZSFD)开辟了新途径。在ZSL研究中,训练阶段拥有完整标签样本的故障类型被称为已知故障,而缺乏训练样本的则称为未知故障。Feng等人(Feng和Zhao,2020)提出了首个基于故障描述属性传递的工业过程ZSFD模型,利用此前被忽视的故障语义描述作为辅助信息,在无需训练样本的情况下实现目标故障的零样本诊断。Hu等人(Hu等人,2022)提出了语义一致嵌入(SCE)模型,通过Barlow矩阵评估故障样本与属性之间的一致性,从而提高ZSFD的准确性。Chen等人(Chen等人,2026)则提出了基于图结构且具有属性耦合嵌入的ZSFD模型,为每个属性训练独立的预测器以消除共享输入带来的混淆效应,并引入非对称损失函数来缓解属性不平衡问题。上述诊断模型均将数据与辅助知识共同映射到语义空间或数据空间,再通过相似度度量对未知故障进行分类,因此属于基于嵌入的ZSFD模型。不过,基于嵌入的模型无法增加故障样本的数量,未知故障样本缺失的问题仍未得到解决。相比之下,生成式ZSFD模型能够基于现有故障数据与辅助知识为未知类别生成合成样本,以此弥补样本不足的问题,因而受到了广泛关注(Zhuo和Ge,2021;Liao等人,2025a)。Liao等人(Liao等人,2025b)提出了基于属性一致生成对抗网络(ACGAN-FG)的特征生成模型,该模型通过整合判别分类器与二元比较器来构建属性一致性损失,从而减小生成特征与真实故障特征之间的差异,同时还采用了特征拼接策略来提升特征的判别性。但ACGAN-FG需要额外训练二元比较器并优化多个损失项,还需依赖特征拼接等后处理操作,增加了模型的结构复杂度与计算负荷。Mu等人(Mu等人,2025)提出了一种基于物理知识引导的方法,利用领域知识为已知故障构建潜空间,并通过属性扩展合成未知类别样本,随后使用生成的样本对诊断模型进行重新训练,以提高对未知故障的识别精度。
ZSFD模型主要侧重于通过知识传递识别未知故障,往往忽视了对已知故障本身的分类性能。为克服这一局限,人们将生成式方法引入广义零样本学习中。Xian等人(Xian等人,2018)提出了f-CLSWGAN模型,将该模型的输入包括类别语义与随机噪声,送入WGAN结构,并通过辅助分类损失来提升生成特征的类别判别性。f-VAEGAN-D2(Xian等人,2019)进一步将变分自编码器与生成对抗网络相结合,通过额外的判别器学习特征空间的边际分布,从而实现任意样本量的学习。Narayan等人(Narayan等人,2020)提出了TF-VAEGAN模型,该模型引入了语义嵌入解码器与反馈模块,利用潜在表示迭代优化生成特征。Chen等人(Chen等人,2021)提出了FREE模型,通过特征细化、语义循环一致性以及自适应区间中心约束等方式,提升了生成特征的语义表达能力。Han等人(Han等人,2021)提出了CE-GZSL模型,将该模型将真实特征与生成特征映射到对比嵌入空间,并通过类别级与实例级监督机制提升分类空间的判别性。这些方法通过合成未知类别的特征,使分类器能够学习到已知与未知类别的数据分布,但它们主要针对物体识别任务设计,难以直接应用于工业过程故障诊断。
除了未知类别缺乏训练样本之外,广义零样本学习还必须解决已知类别与未知类别之间的预测偏差问题。领域级门控机制为解决这一问题提供了有效途径。其核心思想是首先确定测试样本所属的类别领域,然后将其分配给对应的专家分类器。Atzmon等人(Atzmon和Chechik,2019)提出了COSMO模型,该模型通过概率软门控与自适应置信度平滑机制,整合已知类别与未知类别专家的预测结果。尽管该方法证明了门控机制在减轻已知类别偏差方面的有效性,但其门控概率主要取决于分类器的输出置信度,并未明确学习两类领域之间的判别性结构特征。
在真实的工业场景中,已知故障与未知故障往往同时存在。因此,针对这两种故障类型共存的广义零样本故障诊断(GZSFD)的研究越来越受到重视(Huang等人,2021;Pourpanah等人,2022;Liu等人,2024b)。Mou等人(Mou等人,2023)提出了基于分布式语义嵌入与跨模态重构的DSECMR-VAE模型,该模型通过双VAE架构与Barlow矩阵实现多模态信息的有效融合,在零样本及广义零样本故障诊断任务中均展现出优异的性能。Zhao等人(Zhao等人,2024)提出了故障属性驱动的偏差校准(FAIR)模型,该模型通过在属性空间构建分类边界并生成样本来减轻模型偏差,从而提升了对未知故障的诊断性能,并有效解决了领域偏移问题。Yue等人(Yue等人,2024)提出了半监督混合三元组网络(SSHTN)模型,该模型引入了辅助集,通过数据-数据分支与数据-语义分支在相似性空间中定义故障类别边界,从而有效降低了未知故障的误分类率。为解决获取故障属性知识的难题,Wang等人(Wang等人,2025)提出了一种针对湿法冶金过程的GZSFD方法,该方法利用操作记录等知识表征故障相似性,从而降低对专家深入知识的依赖。Wang等人(Wang等人,2026)提出了TransZeroNet模型,该模型通过测量特征分布差异来实现领域门控,并通过无监督聚类识别未知故障,使得模型能够在不同的运行条件下诊断未知故障。此外,Xia等人(Xia等人,2026)提出了跨尺度混合对比网络(CSHCN)模型,用以解决生成特征判别性不足的问题。CSHCN在由故障描述与特征构成的混合空间中进行对比嵌入,从而有效提升了未知类别生成特征的质量。
尽管上述模型在工业故障诊断中已取得良好效果,但在实际应用中仍面临诸多挑战。由于训练集中完全缺乏未知类别的样本,这些模型会因训练集与测试集之间的分布差异而出现严重的领域偏移问题,这往往会导致诊断性能下降甚至失效。此外,模型训练阶段主要学习已知故障的特征表示,而测试阶段则依赖语义属性对未知故障进行分类,这种差异使得学习到的特征分布与语义属性空间之间存在显著不对齐。这种不对齐会阻碍语义属性对特征学习过程的有效约束,进而影响模型的通用诊断性能。为此,本文提出了一种具有特征生成与对比学习门控功能的类感知稀疏自编码器模型(CSAEFG-CLG),旨在解决GZSFD中的领域偏移与语义特征不匹配问题。该模型将诊断任务从属性空间转移到特征空间,利用特征的高维判别性来弥补属性空间中的信息损失。在特征提取过程中,通过应用重构损失与类感知约束,确保提取出的特征既能保留原始数据的判别信息,又能与语义属性有效对齐。此外,该模型还在未知类别语义属性与故障特征之间建立了双向映射关系,通过合成高质量的未知类别特征来弥补训练样本的缺失。为进一步减轻领域偏移问题,该模型还设计了基于对比学习的门控机制,通过对比特征分布来准确区分样本,从而实现已知与未知故障的有效区分与诊断。本文的主要贡献如下:
(1)提出了一种类感知稀疏自编码器(CSAE)。在特征提取过程中引入类别感知监督,并施加重构与稀疏性约束,CSAE有效解决了故障特征与语义属性之间的分布不匹配问题,同时提升了提取特征的区分度与鲁棒性。(2)为提升对未知故障的识别能力,设计了一种基于属性引导的生成对抗网络(AGGAN),该网络能够利用未知类别的语义属性来合成高质量特征,从而有效应对因缺乏训练数据而导致的领域偏移问题。(3)开发了一种基于对比学习的门控机制,通过最小化SINCERE损失来划分已知类别与未知类别的分布边界。在测试时,通过计算输入样本与类别原型的最大余弦相似度来确定其所属领域,进而提升整体诊断的准确性与可靠性。本文结构如下:第2节介绍理论背景,第3节详细阐述所提出的CSAEFG-CLG模型,第4节利用两个数据集验证该模型的性能,最后第5节对全文进行总结。
问题定义
传统的故障诊断方法通常假设在训练阶段能够获得所有故障类别的样本,这意味着测试集中需要诊断的任何故障类别都属于训练集中已知的类别范围。然而在现实工业环境中,某些故障具有很强的场景特异性,发生概率极低。如果与这类故障相关的特定场景不存在或未被模拟,那么就难以进行有效的诊断。
方法论
工业通用零样本故障诊断面临的主要挑战在于特征与手动定义的语义属性之间存在不匹配,且未知类别缺乏特征支撑集。即便能够合成未知类别的特征,真实已知类别特征与生成的未知类别特征之间的领域差异仍可能使分类器偏向已知类别。因此,我们提出了一种用于工业过程通用零样本故障诊断的新模型,即CSAEFG-CLG模型。
案例研究与分析
本节以田纳西东曼工艺和半导体蚀刻工艺为案例,详细介绍了模型参数及实验流程,充分证明了该模型在工业故障诊断任务中的有效性及优势。实验平台为安装了Windows 11操作系统的计算机,硬件配置包括Intel (R) Core (TM) i9-9900K@3.60 GHz处理器以及NVIDIA GeForce RTX 2080 Ti(11 GB)显卡。
结论
本文针对工业故障诊断中的通用零样本学习问题,提出了一种结合特征生成与对比学习门控功能的类别感知稀疏自编码器模型(CSAEFG-CLG)。即使训练集仅包含已知故障,该模型也能有效诊断已知及未知故障。在特征提取阶段,该模型通过类别感知稀疏自编码器建立样本特征与语义属性之间的稳定映射关系。
CRediT作者贡献声明
霍海峰:监督、方法论、形式化分析。惠永永:可视化、软件、数据整理。姚庆雷:写作——审稿与编辑、写作——初稿撰写、可视化、验证、方法论。赵晓强:写作——审稿与编辑、监督、研究调查、概念设计。
利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。
致谢
本研究得到了国家自然科学基金(62263021)、甘肃省基础研究创新群体项目(25JRRA058)、中国中央政府引导地方科技发展资金(25ZYJA040)以及甘肃省教育厅优秀研究生创新之星项目(2026CXZX-534)的资助。
姚庆雷|赵晓强|霍海峰|惠永永
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号