面向部署的机械智能故障诊断分布外问题综述：泛化导向方法与检测导向方法的操作边界分析

《ARTIFICIAL INTELLIGENCE REVIEW》：Out-of-distribution challenges in intelligent fault diagnosis: a survey of generalization and detection

　　

摘要

基于深度学习（DL）的智能故障诊断（IFD）在机械系统中已取得出色的性能，但当部署数据与训练分布不一致时——例如由于运行工况、设备、传感环境或故障语义发生变化——其可靠性可能会下降。这些分布偏移产生了两个相关但不同的需求：在未见但相关的条件下保持对已知故障类别的准确预测，以及识别不应被归入任何已知类别的输入。为支持本综述，我们对IEEE Xplore、Web of Science核心合集和Scopus数据库中2020年1月1日至2026年7月16日期间发表的研究进行了可复现的检索。检索共返回280条数据库记录，去重后保留181条，最终纳入并编码了161篇与机械领域相关的OOD（分布外）研究，编码依据为其部署角色和偏移类型。本综述聚焦于机械故障诊断中泛化导向方法与检测导向方法之间的操作边界。其目的不在于全面综述闭集领域自适应或领域泛化方法（若缺乏未见机械领域评估）、与未知故障拒识无关的一般异常检测、非机械工业过程监控，以及通用计算机视觉OOD方法（除非它们提供必要的概念基础）。我们提出了一种基于有效训练支撑集、训练标签空间和已声明部署范围的任务相对操作定义，并据此区分条件相关（C-shift）、故障语义（F-shift）以及C+F组合场景。基于这些区分，我们按部署角色和机制对代表性方法进行了组织，比较了其假设、数据需求、输出、优势与局限性，并综合了文献中报告实验与评估实践。由此产生的以部署为导向的视角强调：可靠的诊断需要已知类别泛化、校准良好的OOD检测，以及一个明确的升级或人工转交流程，这三者应分别评估并协调集成。