学会更好地看到看不见的：用于增量零样本故障诊断的宽深混合抗遗忘框架

Mar, 2024

学会更好地看到看不见的：用于增量零样本故障诊断的宽深混合抗遗忘框架

Learning to better see the unseen: Broad-Deep Mixed Anti-Forgetting Framework for Incremental Zero-Shot Fault Diagnosis

Jiancheng Zhao, Jiaqi Yue, Chunhui Zhao

TL;DR零-shot故障诊断通过预测人类专家标记的故障属性，能够识别未见过的故障。为了解决现有的零-shot故障诊断范式无法从工业场景中不断变化的训练数据流中学习的问题，我们首次提出了增量零-shot故障诊断范式(IZSFD)，该范式同时结合了传统的零-shot故障诊断和广义零-shot故障诊断的特点。为了实现IZSFD，我们提出了一种广深混合反遗忘框架(BDMAFF)，旨在从新的故障类别和属性中学习。通过深度生成模型建立特征记忆，确保历史类别的生成质量得到监督和维持；通过诊断模型从生成模型生成的样本辅助诊断未见过的故障；通过一种受到广义学习系统启发的诊断模型建立属性原型记忆。与传统的增量学习算法不同，BDMAFF引入了一种基于记忆驱动的迭代更新策略用于诊断模型，使模型能够学习新的故障和属性而无需存储所有历史训练样本。我们通过实际的液压系统和Tennessee-Eastman基准过程验证了所提出方法的有效性。

Abstract

zero-shot fault diagnosis (ZSFD) is capable of identifying unseen faults via predicting fault attributes labeled by human experts. We first recognize the demand of ZSFD to deal with continuous changes in industrial processes, i.e., the model's ability to adapt to new fault categories a

发现论文，激发创造

一种新的知识蒸馏网络用于增量式少样本表面缺陷检测

本文针对表面缺陷检测中的数据增量问题，提出了一种基于知识蒸馏和预训练-微调迁移学习范式的新型检测网络DKAN，通过特征和分类知识对齐来解决遗忘和误分类问题，在NEU-DET数据集上实验证明其有效性，表现优于其他方法。

Sep, 2022

利用知识空间共享解决领域漂移以推广零样本工业故障诊断

本文章提出了一种基于知识空间共享的模型，来解决广义零样本工业故障诊断任务中的领域转移问题，该模型通过生成机制和判别机制相结合，产生了一些新的数据用于训练，最终在 benchmark Tennessee-Eastman 进程上，该方法在广义零样本工业故障诊断问题上的表现超过了现有的其他方法。

Jun, 2023

广义失配故障诊断（GOOFD）框架的内部对比学习

利用内部对比学习技术和马氏距离，我们提出了广义的基于分布外故障诊断框架(GOOFD)，用于集成检测、分类和新颖性故障诊断等多个诊断子任务，并在模拟和实际数据集上表明了该方法的有效性。

Jun, 2023

EdgeFD：一种面向工业物联网的边缘友好漂移感知故障诊断系统

提出了一种适用于边缘部署的漂移感知权重整合（DAWC）方法，通过检测漂移和估计参数重要性，逐步为故障诊断模型提供强大的泛化能力，从而实现在边缘设备上减少模型微调的需求，并节省计算资源。与现有技术相比，DAWC取得了更好的性能，并确保与边缘计算约束的兼容性，并且还开发了一个全面的诊断和可视化平台。

Oct, 2023

ABIGX：可解释故障检测与分类的统一框架

提出了一种统一框架ABIGX (Adversarial fault reconstruction-Based Integrated Gradient eXplanation)用于可解释性故障检测和分类（FDC），该框架结合了贡献图（CP）和基于重构的贡献（RBC）等成功的故障诊断方法的要点，通过故障重构的对抗方法（AFR）理念解决了故障分类中的类染问题，实验证明ABIGX相比现有的基于梯度的方法在FDC的解释性方面更为优越。

Nov, 2023

无监督连续异常检测中的对比学习提示

无监督的持续异常检测方法UCAD通过对比学习的提示来提供无监督异常检测的持续学习能力，并使用基于结构的对比学习(SCL)和Segment Anything Model (SAM)来改进提示学习和异常分割结果。

Jan, 2024

应用门控动态可学习注意力机制的双重变压器用于田纳西东曼过程的故障检测和诊断

利用两个独立的Transformer分支建立一种新的FDD方法，通过引入门控机制和动态学习功能的GDLAttention以及使用双线性相似性函数的注意机制，提高了对于Tennessee Eastman Process中的故障检测和诊断的准确性和健壮性。

Mar, 2024

基于深度学习分类器的图像新型故障检测与分级标签

现代故障分类系统中的一个重要特征是在面对以前未见过的故障类型时能够警示系统。本文考虑了基于深度神经网络的故障分类器的未知故障检测能力。具体而言，我们提出了一种方法，即在可用的情况下，使用有关故障分类法（fault taxonomy）的标签来提高未知故障检测性能，而不损失模型性能。为实现这一目的，我们提出利用软标签技术来改进先进的深度新颖故障检测技术，并提出用于在线新颖故障检测的层次一致的检测统计量。最后，我们在热轧钢生产过程中的检测图像中展示了对新颖故障检测的提高性能，结果在多个场景和基准检测方法中得到了良好的复制。

Mar, 2024

利用不完整数据的状态监测：一种集成变分自编码器和距离度量框架

通过零样本学习方法，本文提出了一种新的故障检测和状态监测方法，可以在没有故障样本的情况下，对工业系统进行可靠的故障检测与健康状况评估。通过使用变分自编码器捕捉先前观察到和未知条件的概率分布，在隐空间比较每个样本与正常操作的参考分布的偏差，建立健康指数的阈值，能够高准确度地检测严重的未知故障，从而提升工业领域的故障检测能力，增强安全性和优化维护实践。

Apr, 2024

可扩展的实时故障诊断通过在线持续学习

本文主要解决在现代工业环境中，传统故障诊断方法无法有效处理新类型故障和动态条件的问题。提出的SRTFD框架通过回顾核心集选择、全球平衡技术和基于置信度及不确定性驱动的伪标签学习，增强了在线持续学习的能力。实验结果表明，SRTFD能够提供先进且精确的故障诊断解决方案，显著提升系统的安全性和经济效益。

Aug, 2024