▲ 论文的方法框架
近日，浙江大学伊利诺伊大学厄巴纳香槟校区联合学院（ZJUI）王宏伟教授知识工程与知识系统实验室（DSKE LAB）的一项工作"Generalized Out-of-Distribution Fault Diagnosis (GOOFD) via Internal Contrastive Learning "，被SCI一区IEEE Transactions on Industrial Informatics期刊接收。该论文第一作者为DSKE LAB 2022级硕士研究生王馨悦、2022级硕士研究生张涵容，通讯作者为浙江大学王宏伟教授。
故障诊断在工业过程中的机器监测中是至关重要的。随着工作条件日益复杂和生产安全需求的增加，对多样化故障诊断方法的需求与日俱增。因此，我们迫切需要一种能够处理多任务的综合故障诊断系统。然而，目前故障诊断领域中的子任务通常是被分开研究的；同时，当下的这些诊断方法还不足以直接构建通用性系统。为了解决这个问题，我们提出了广义分布外故障诊断（GOOFD）框架以整合各种子任务。同时，本文还提出了一种基于内部对比学习和马氏距离的集成性故障诊断方法，来适用于我们提出的GOOFD多任务框架。该方法通过内部对比学习进行特征提取，并基于马氏距离进行异常识别，实现同时解决多个子任务的问题。通过实验对比，证明我们提出的方法不但可以应用于多种故障诊断任务，还比现有的单任务SOTA方法取得更好的性能，验证了GOOFD集成性框架的有效性。
论文简介
目前，故障诊断研究主要包含两个任务：1）确定系统是否正常。用于这一任务的技术称为过程监控，主要关注生产过程中的异常检测任务。2）对已发生的故障进行分类并找出其原因。用于这一任务的方法叫故障检测和故障分类。然而，目前这些子任务的解决方法都是被单独分开讨论的，再加上实际生产过程越来越复杂，这导致了两个问题：1）目前仍然缺乏一个用于多任务的广义故障诊断框架；2）由于子任务的方法框架都不同，其特征提取方法和网络结构都是独立的，导致其训练会比较耗时。为了解决这些问题，开发一个集成性的故障诊断系统是至关重要的，并且该系统需要采用统一的方法来同时处理多种任务。综上，本文提出了一种全新的框架，我们的主要贡献总结如下：
-
我们首次提出了一个名为广义分布外故障诊断（GOOFD）框架的综合诊断系统，包括过程监控、故障分类和OSFD任务，这为后续相关研究提供了广阔的扩展和探索空间。
-
本文介绍了一种新的集成性故障诊断方法ICL-OD，用于1)解决GOOFD框架中的多任务问题，以及2)基于内部对比学习和马氏距离方法学习未知类别样本，并且相比于baseline方法可以学习到更具区分度的特征值。
-
在基准数据集和实际数据集上进行了大量实验，结果表明我们提出的方法可以应用于不同的故障诊断任务，并且相比现有的单任务方法具有更好的性能。
▲ 实验对比
▲ 实验对比
作者信息
王馨悦，2022级浙江大学ZJUI学院硕士研究生，由王宏伟教授指导，研究方向为深度学习、故障诊断。
张涵容，2022级浙江大学ZJUI学院硕士研究生，导师为王宏伟教授，研究方向为深度学习、故障诊断和知识图谱。
论文信息
论文标题：
Generalized Out-of-Distribution Fault Diagnosis (GOOFD) via Internal Contrastive Learnin
论文地址：
