基于变分高斯混合标签迁移网络的工业故障诊断方法研究：应对非随机标签噪声的新策略

针对工业过程中普遍存在的非随机标签噪声导致故障诊断性能下降的问题，研究人员提出了一种基于概率深度学习（PDL）的变分高斯混合标签迁移网络（VGMTNet）。该方法通过引入潜在变量标签噪声模型（LVLNM）提取深层噪声信息，结合自注意力机制（SA）设计变分高斯混合（VGM）噪声生成器，最终构建了可解释的噪声显式建模框架。实验证明其在合成数据、TE和BSM1基准流程中显著提升诊断精度，为工业复杂噪声场景提供了理论创新和实用工具。

　　

工业过程故障诊断是保障生产安全的核心技术，但传感器数据中的标签噪声问题长期制约其准确性。现有研究多聚焦随机噪声，而实际工业场景中由变量相关性导致的非随机噪声更为普遍且破坏性更强。传统方法如支持向量机（SVM）、高斯混合模型（GMM）等因缺乏深层噪声建模能力，难以应对这一挑战。针对这一瓶颈，华东理工大学的研究团队在《Expert Systems with Applications》发表论文，提出变分高斯混合标签迁移网络（VGMTNet），首次实现工业复杂非线性标签噪声的显式建模。

研究采用三大关键技术：1）基于潜在变量标签噪声模型（LVLNM）构建噪声指示变量g
，揭示标签迁移的实例相关性机制；2）设计自注意力（SA）驱动的变分高斯混合（VGM）噪声生成器，通过多区块信息加权融合模拟噪声环境；3）将分类全连接神经网络（Class-FNN）与噪声模块整合至概率深度学习（PDL）框架，实现端到端训练。实验数据涵盖合成数据集、田纳西-伊斯曼（TE）流程和废水处理（BSM1）基准流程。

VGMTNet故障诊断流程
通过Class-FNN提取样本真实标签概率，结合VGM噪声生成器输出的混合高斯分布，计算标签转移矩阵。在TE流程实验中，该方法在40%噪声污染下仍保持89.7%分类准确率，较传统SVM提升32.5%。

噪声环境模拟
设计的SA-VGM模块通过计算样本与类中心的马氏距离，生成具有空间相关性的噪声指示。可视化显示其能有效捕捉非线性噪声模式，如BSM1流程中溶解氧传感器的特定误标现象。

多场景验证
在合成数据中，VGMTNet对非对称噪声的鲁棒性显著优于原型对比学习（PCL）等方法；实际工业数据测试表明，其误报率降低至传统GMM的1/3。

该研究突破性地将LVLNM理论扩展至深度学习领域，提出的噪声指示变量和SA-VGM架构为工业噪声建模提供新范式。实际应用表明，该方法能自适应处理多源异构噪声，为智能工厂的可靠性维护提供关键技术支撑。未来可进一步探索噪声生成器与物理模型的融合，以提升在极端工况下的泛化能力。