多通道占位学习开集故障诊断网络

可靠识别未知故障

通过多通道关联增强未知类表示并稳定开集边界，从而提升开集故障诊断的可靠性。

Li, Zhixuan · 张楷 Kai Zhang · 郑庆 · 丁国富 · 丁昆 · Bin, Zhang · Jiahao, Ma · 张海柱

IEEE Transactions on Industrial Informatics 2025

技术优势

能识别未知故障

通过多通道特征关联构建占位学习网络，增强未知类表示，从而有效识别训练中未出现的新故障类型。

稳定开集决策边界

引入虚拟分类器增强已知类表示，确保开集决策边界的泛化能力，减少误判。

多工况验证有效

在高速列车转向架故障数据集和PHM-Beijing 2024公开数据集上均验证了方法的有效性。

应用场景

• 高速列车故障诊断：识别转向架传动部件中训练未见的故障类型，保障高速列车长期服役安全。
• 工业设备预测性维护：在未知故障发生时提前报警，避免非计划停机。
• 旋转机械状态监测：利用多通道振动数据监测旋转机械，发现新出现的故障模式。
• 多传感器融合分析：融合不同位置传感器信号，增强未知故障特征表示。