导读

近日，苏大故障诊断研究团队提出了一种基于已知类感知对抗学习和开放式代理对比学习的开集域泛化故障诊断方法。该工作以“Known-aware generalization network with open-proxy for machinery fault diagnosis”为题发表在机械故障诊断领域权威期刊《Mechanical Systems and Signal Processing》上(https://authors.elsevier.com/a/1luqZ39%7Et0nIl5)，团队博士研究生宋秋昱为第一作者。

该研究得到了国家自然科学基金面上项目(No.52575132, 52172406)、山区土木工程安全与韧性全国重点实验室开放课题(No.HJGZ2023112)的资助。

研究背景

现有域泛化故障诊断方法大多局限于识别参与模型训练的已知类故障类型，在线诊断时会将新工况中出现的新型未知故障误判为已知故障类型。为了更好地适应工程实时诊断场景，在建立准确可靠的诊断模型时需同时解决三大挑战：(1)工况不同导致数据分布存在偏移；(2)目标工况数据出现历史工况数据没有的新型未知故障；(3)训练阶段目标工况数据不可用。为此，本文提出了一种基于已知类感知对抗学习和开放式代理对比学习的开集域泛化故障诊断方法，可以在变工况场景中实现已知和未知故障类型的识别。提出方法不仅模型框架简易明了，而且具有出色的泛化诊断性能。

论文贡献

(1) 设计了一种借鉴人类学习新事物思路的已知类感知对抗学习策略，在模型训练时通过已知类样本对“未知预设”机制的对抗博弈，解决了目标工况样本无法提前参与训练时已知故障类别与新型未知故障类别间决策边界的学习难题。

(2) 构建了一种开放式代理对比学习策略，通过引入未知类的代理权重来表征未知类特征空间。该策略不仅增强了已知类特征的类判别性，而且通过代理权重的自适应调整，提升了已知和未知故障类别间决策边界的泛化能力。

(3) 提出了一种名为KGNO的新型简易诊断框架，用于在未知工况下诊断新型未知故障。在跨域故障诊断场景下开展了开集域泛化诊断任务，全面评估了所提方法的泛化性和未知故障识别能力。

部分图文一览

图1 研究动机(原文图2)

图2 提出方法整体网络框架(原文图3)

表1 各方法的H-score诊断结果(原文表4)

图3 模型训练过程中损失函数的收敛曲线以及未知类代理和已知类代理之间的余弦相似度曲线(原文图14)

作者简介

宋秋昱，1997年生，本硕博毕业于苏州大学轨道交通学院，导师为朱忠奎教授、江星星教授，2025年10月入职常州大学机械与轨道交通学院。截至目前，以第一作者在IEEE TNNLS，MSSP，RESS，IEEE TIM，Neurocomputing等中科院SCI期刊和《计算机集成制造系统》等EI期刊发表论文8篇(4篇大类一区)，其中入选ESI高被引论文1篇、1篇苏州市自然科学优秀学术论文。以第二作者(导师第一)在AEI、MMT等中科院SCI大类一区期刊和《交通运输工程学报》、《仪器仪表学报》等领域T1级期刊发表论文4篇，其中入选ESI高被引论文1篇、交通运输工程学报年度优秀论文1篇。获授权发明专利6件，主持江苏省研究生科研与实践创新计划项目1项，获得江苏省仪器仪表学会科学技术奖一等奖1项(排名3/7)、江苏省振动工程学会科学技术奖一等奖1项(排名3/7)。

引文格式

Qiuyu Song, Xingxing Jiang, Qian Wang, Hao Gao, He Ren, Zhongkui Zhu. Known-aware generalization network with open-proxy for machinery fault diagnosis[J]. Mechanical Systems and Signal Processing, 2025, 241: 113464.