知识重组与偏好校准框架

未知工况精准辨障

一个同时解决域偏移与类别偏移的开放集故障诊断框架，可用于未知工况下识别已知与未知故障。

Song, Qiuyu · 江星星 · Yang, Shangkuo · Ren, He · 刘杰 · 朱忠奎

Reliability Engineering and System Safety 2026

参数信息

平均准确率提升

4.6 %

平均 H-score 提升

8.1 %

技术优势

准确率显著领先

平均准确率比最佳基线高出 4.6% 以上，证明框架在复杂诊断场景下能给出更正确的判断。

H-score 大幅提升

平均 H-score 比最佳基线高出 8.1% 以上，说明框架在已知与未知类别上取得了更好的精度-召回平衡。

同时处理域与类别偏移

知识重组方案与类别偏好校准损失共同作用，同时解决域偏移、源域间类别偏移以及源域与未见目标域间的类别偏移。

开放集故障分类可靠

对开放集故障分类器可视化偏好的深入讨论表明，KRPCF 在开放集域泛化下给出可靠的未知故障诊断。

应用场景

• 机械系统智能运维：在未知工况下仍能识别故障，减少依赖历史数据的局限。
• 故障预测与健康管理：同时处理域偏移与类别偏移，提升健康管理在开放环境的可靠性。
• 未知工况诊断：专门针对训练阶段未见目标域数据的场景，识别已知与未知故障。
• 工业设备状态监测：在工况变化时提供可靠的故障分类，增强监测系统的泛化能力。