基于正交锚点聚类和自适应平衡的工业网络物理系统异常诊断方法

《IEEE Transactions on Industrial Cyber-Physical Systems》：Out-of-Distribution Fault Diagnosis of Industrial Cyber-Physical Systems Based on Orthogonal Anchor Clustering With Adaptive Balance

针对工业物联网系统中旋转机械异常分布故障诊断难题，提出融合正交锚聚类与焦点注意力机制的方法。该方法通过正交锚点固定已知故障模式中心，结合动态注意力机制解决不同故障的可识别性差异问题，在多个数据集验证中显著提升未知故障识别性能。

　　

摘要：

鉴于旋转机械在工业网络物理系统（ICPS）中的关键作用，确保其可靠运行对于ICPS的稳定性和安全性至关重要。深度神经网络在智能故障诊断方面展现了出色的性能，这些网络通常通过所有故障模式的历史数据进行训练。然而，在实际工程中，收集样本并在训练阶段穷尽所有故障情况通常是困难的。因此，分布外故障诊断（OOD-FD）成为一个更为现实的问题，该方法不仅需要准确诊断已知故障，还需要有效识别未知故障。本文提出了一种新的正交锚点聚类与焦点注意力（FA-OAC）方法来解决OOD-FD问题。首先，提出了一种正交锚点聚类（OAC）算法，用于在类别层面正交地确定每种故障模式的中心，从而区分已知和未知故障。其次，由于在OOD-FD中不同故障模式的可识别性变化较大，因此应用了焦点注意力机制根据OAC的距离损失动态调整对不同故障模式的关注度，从而解决了可识别性不平衡的问题。为了验证所提出方法的有效性，基于两个旋转机械数据集设计了不同的OOD-FD任务。实验结果与最先进的故障诊断方法相比表明，该方法显著提高了OOD-FD的性能，因此在实际工程中提供了一个有效的工具。

引言

在工业网络物理系统（ICPS）中，旋转机械作为核心组件，直接影响整个系统的稳定性和效率。ICPS整合了计算、网络和物理过程，实现了工业操作的实时监控和智能管理。旋转机械（如电机、涡轮机和泵）广泛应用于各种工业生产过程中，使其成为ICPS不可或缺的组成部分。高效可靠的故障诊断方法对于确保这些关键组件的正常运行至关重要，从而维持ICPS的整体性能。借助先进的传感器和通信技术，过去几十年中数据驱动的故障诊断技术得到了快速发展[1]、[2]、[3]、[4]、[5]。故障诊断之后，剩余使用寿命（RUL）的预测对于ICPS的可持续性也至关重要，它允许实时监控系统的健康状况，并能够提前预警可能的故障和系统可靠性。在[6]中，基于随机过程、机器学习的预测方法及其混合应用进行了全面调查，同时从人工智能的角度探讨了预测技术的机遇和挑战，这些技术旨在推动ICPS的可持续性。作为代表性的数据驱动方法，深度学习因其能够通过具有多层非线性数据处理单元的深度分层架构从原始信号中学习特征而受到越来越多的关注[7]、[8]、[9]。迄今为止，各种深度学习结构已成功应用于故障诊断，包括自动编码器（AE）[10]、受限玻尔兹曼机（RBM）[11]、卷积神经网络（CNN）[12]、[13]、[14]、长短期记忆（LSTM）[15]、[16]、[17]等。最近，大规模模型的出现标志着深度学习的快速进步，例如BERT和GP。大规模模型的快速发展以及工业数据的积累使得构建和改进工业大规模模型成为可能[18]。