基于Epsilon监督的对比学习与边界梯度采样技术在工业过程开集故障诊断中的应用

《Process Safety and Environmental Protection》:Epsilon-supervised contrastive learning with boundary-gradient sampling open-set fault diagnosis for industrial processes

【字体: 大 中 小 】 时间:2026年07月14日 来源:Process Safety and Environmental Protection 7.9

编辑推荐:

  强赵|李明宇|邓光阳|韩英华 摘要 在工业过程监测中,开放集故障诊断方法越来越受到关注,因为传统的基于深度学习的诊断方法通常是在封闭集假设下开发的,无法处理此前未曾见过的故障。为解决这一局限,本文提出了一种开放集故障诊断框架,该框架将ε监督对比学习与边界感知的异常数据采样相结合

  强赵|李明宇|邓光阳|韩英华

摘要
在工业过程监测中,开放集故障诊断方法越来越受到关注,因为传统的基于深度学习的诊断方法通常是在封闭集假设下开发的,无法处理此前未曾见过的故障。为解决这一局限,本文提出了一种开放集故障诊断框架,该框架将ε监督对比学习与边界感知的异常数据采样相结合。具体而言,采用ε监督对比学习策略来训练一维卷积神经网络,从而为已知故障类别提取出简洁且具有高度区分度的特征表示,促使模型关注对类别区分至关重要的边界负样本,同时为潜在的未知故障保留足够的特征空间。为提升对未知故障的识别能力,该方法还采用了由概率梯度引导的边界采样机制,以在已知数据分布附近生成有用的边界样本。这些样本会被逐步纳入判别器的训练中,从而明确建模并优化已知故障与未知故障之间的决策边界。因此,所提出的框架有效降低了特征过自信问题,提升了已知故障与未知故障类别之间的可分性。在田纳西东方人公司工艺基准数据集以及克兰菲尔德大学开发的多相流数据集上进行的大量实验表明,该框架不仅能实现对已知故障的高精度分类,还能在各种开放集任务中持续提升对未知故障的检测性能。

引言
故障诊断是工业过程监测系统中的核心组成部分,也是确保系统安全可靠运行的重要技术。随着现代工业过程复杂性的增加以及传感器的广泛应用,大量高维时间序列数据不断产生。在这种背景下,基于深度学习的数据驱动型故障诊断方法因其强大的非线性建模能力和出色的特征提取性能而被广泛采用(Qiu等人,2023;Liu等人,2018)。深度学习及图神经网络领域的最新进展显著提升了工业故障诊断与过程监测的性能。尤其是基于图的表示学习与对比学习方法,在标签数据有限的条件下,能够有效建模工业变量间的复杂关联,并提升特征提取的区分度(Liu等人,2026;Jia等人,2025b)。Liu等人(2026)总结了用于过程故障检测与诊断的可解释神经网络及图神经网络的最新发展,强调了图结构建模与可解释性在工业智能系统中的重要性。此外,关于图神经网络在软感知与过程监测中的应用的相关综述(Jia等人,2025b)也证明了基于图的表示学习在捕捉非线性过程关系及提升监测稳健性方面的有效性。尽管这些方法在封闭集和半监督故障诊断场景中表现良好,但实际工业系统在运行过程中仍可能遇到此前未曾出现过的故障模式,这就给可靠的开放集故障识别带来了新的挑战。

现有研究主要采用三种范式来检测未知故障:单类分类、零样本学习以及开放集分类(Zhuo和Ge,2021)。单类分类又称异常检测,其核心是建模正常运行状态的分布,将偏离该分布的数据视为异常。在故障诊断应用中,这类方法通常仅使用正常数据进行训练,无需标注的故障数据即可检测未知故障(Jiang等人,2018)。然而,由于忽略了类别级信息,单类方法无法区分不同的已知故障类型,从而限制了其在复杂工业系统中的诊断能力(An和Cho,2015)。基于零样本学习的故障诊断旨在通过利用语义或属性级描述来识别未知故障(Xian等人,2020)。根据测试时是否考虑已知故障类别,零样本故障诊断可分为传统设置和泛化设置两类。虽然泛化零样本学习能够同时识别已知故障与未知故障,但它需要精心设计的故障属性。而在实际应用中,为未知故障准确定义属性极为困难,这使得零样本学习不太适合用于现实世界的工业故障诊断。开放集故障诊断则提供了一种更为实用的框架,它允许模型同时对已知故障类型进行分类并检测未知故障。与单类分类和零样本学习方法相比,开放集故障诊断更符合在动态且不确定环境中运行的工业过程的特性。正因如此,近年来开放集故障诊断越来越受到重视,也成为本研究的核心焦点。

在工业过程安全与环境保护领域,开放集故障诊断已成为确保运营可靠性及降低潜在风险的关键研究方向。例如,Tahraoui等人(2023)提出了一个用于在未知干扰情况下检测化学过程故障的系统性框架,为流程工业中的开放集风险评估奠定了基础。此外,Hashemi等人(2022)开发了一种用于多相流系统的数据驱动型故障诊断方法,该方法注重在不同操作条件下的泛化能力,这与开放集场景十分契合。Wang等人(2024)则提出了一种面向安全的工业过程监测深度学习模型,解决了传统分类器在处理未知情况时的过自信问题。与此同时,Li等人(2021)研究了过程安全工程中的开放集识别问题,指出关键挑战在于控制开放空间风险以及提升已知故障与未知故障之间的可分性。这些研究共同凸显了开放集故障诊断对于实现工业过程的安全、稳定及环境可持续运行的重要性,也为本文提出的方法提供了重要的理论支持。

从开放集故障诊断的角度来看,一个关键挑战在于控制开放空间风险,即存在将远离训练数据区域的样本高置信度地归入已知类别的风险(Scheirer等人,2013;Scheirer等人,2014)。在深度神经网络中,由于基于SoftMax的分类器本身具有过自信倾向,这一问题更为严重,未知样本仍可能获得较高的预测分数并被错误地归类为已知类别(Bendale和Boult,2016)。此外,表示学习领域的最新研究显示,深度模型在训练过程中学习的类别特征可能会变得越来越紧凑。例如,Papyan等人(2020)系统地分析了神经崩溃现象,发现训练后期,学习到的特征在类内的一致性与多样性逐渐降低,导致样本表示向对应类别中心聚集,形成高度同质的类内嵌入。尽管这种紧凑性有助于封闭集分类,但在开放集场景中却可能带来负面影响,因为对齐性与均匀性之间的失衡可能导致未知样本被映射到靠近已知簇的位置,从而被误判为已知故障。从对比学习的角度来看,Wang和Isola(2020)进一步证明,表示质量取决于对齐性与均匀性之间的权衡,过度强的对齐可能会导致嵌入向量过度集中,进而妨碍开放集场景下的分类可分性。

受表示学习成功应用的启发,近期有一些研究将图对比学习引入工业故障诊断领域,旨在在标签数据有限的情况下提升特征区分度。例如,Jia等人(2025a)提出了一种自适应图对比学习框架,通过构建图结构及进行自适应分布变换来增强特征表示能力。Jia等人(2024)则进一步开发了一种半监督图对比学习方法,该方法通过保持图拓扑一致性,提升了在标注数据有限条件下的故障表示学习能力。这些方法主要侧重于提升封闭集或半监督故障诊断场景下的特征提取能力,因为在这些场景中通常假定所有故障类别在训练时都是可用的。然而,实际工业系统在运行过程中仍可能遇到此前未曾出现过的故障模式,这给可靠的开放集故障识别带来了新的挑战。

为解决开放集故障诊断问题,近年来已有若干代表性研究被提出。例如,Yu等人(2022)提出了一种基于极值理论的开放集故障诊断方法,该方法通过校准已知类别的输出置信度来识别未知故障。Zhang等人(2022)则开发了基于深度网络的开放集CNN模型,通过收紧已知故障簇并限制开放空间风险来提升未知故障的识别能力。此外,Yu等人(2023)还提出了一种基于极值理论的开放集域适应技术,旨在降低未知故障检测时的阈值依赖性。尽管这些方法在识别未知故障方面表现不错,但仍存在若干未解决的难题。一方面,大多数现有方法中的表示学习仍以封闭集目标为主,导致已知类别的特征变得过于紧凑且置信度极高,这使得未知故障样本更有可能被映射到靠近已知故障簇的位置,进而影响开放集故障之间的可靠分离。另一方面,由于训练时无法获取未知故障数据,有效利用异常数据样本仍然十分困难,现有的技术往往依赖于手动设定的阈值或启发式评分函数,缺乏一种基于表示层面的原理性机制来发现未知故障(Yang等人,2024)。

在本文中,我们提出了一种结合了ε监督对比学习与边界梯度采样的开放集故障诊断框架,用以应对上述挑战。该框架建立在监督对比学习的基础上(Khosla等人,2020),通过引入基于ε的相似度松弛机制,避免了类内特征的过度压缩,同时促使模型专注于那些难以区分的样本,而非无谓地分离那些本来就距离较远的样本。这种设计既保持了已知类别内的特征多样性,又减少了它们在嵌入空间中的过度占据。此外,为进一步提升该框架区分未知故障的能力,本文还引入了一种基于概率梯度驱动采样的边界异常样本生成策略。通过在特征空间中生成有用的边界样本,并将其纳入判别器的训练过程中,该方法有效地提升了已知故障与未知故障之间的分离度(Lee等人,2018;Liu等人,2021)。

本文的主要贡献可总结如下:
1. 提出了一种用于开放集故障诊断的ε监督对比学习方法,该方法在对比学习目标中融入了基于ε的相似度松弛机制,以此调控类内特征的紧凑程度及类间区分度。这种设计使模型能够为已知故障类别学习出更加稳健且具有高度区分度的特征表示,同时更加重视位于类别边界附近的具有重要信息的样本。
2. 提出了一种基于概率梯度驱动采样的边界感知异常数据建模策略,用于生成有用的边界样本,进而提升已知故障与未知故障之间的区分能力。
3. 引入了一种基于判别器的机制,通过明确学习已知故障分布与未知故障分布之间的分离边界,来实现对二者之间的区分。

本文的其余部分结构如下:第2节回顾了开放集故障诊断的相关研究,阐述了本文的研究动机,并介绍了监督对比学习、一维卷积神经网络以及判别器网络的基本概念。第3节详细介绍了所提出的开放集故障诊断框架。第4节通过在田纳西东方人公司工艺数据集以及克兰菲尔德大学开发的多相流数据集上进行的实验来验证该方法的有效性。最后,第5节给出结论。

研究动机
在开放式的工业场景中(如生产过程),由于环境条件及运行状况的不确定性,可能会出现新的故障类型,这使得故障诊断面临极大挑战(Peng等人,2023)。为解决这一问题,我们通过引入边界感知的异常数据样本,对已知样本与未知样本之间的决策边界进行了显式建模。由于在训练过程中无法获得真实的未知故障数据,因此需要生成具有参考价值的边界样本。

方法论
在本文中,我们提出了一种统一的开放集故障诊断框架,该框架将监督对比学习与边界感知的异常数据建模相结合。该方法的核心目标是学习出用于已知故障类别的紧凑且具有高度区分度的特征表示,同时明确构建决策边界以区分未知故障,进而减少对人工调整的SoftMax阈值的依赖。特别是,采用了ε监督对比学习机制。

实验
在本研究中,我们在田纳西东方人公司工艺数据集(Ricker,1996;Downs和Vogel,1993)以及克兰菲尔德大学构建的多相流数据集(Ruiz-Carcel等人,2015)上验证了所提出方法的有效性。所提出的方法与四种最先进的算法进行了系统比较,这些算法包括带阈值处理的SoftMax(Bendale和Boult,2016)、OpenMax(Bendale和Boult,2016)、OpenGAN(Ge等人,2017)以及GEN(Liu等人,2023)。结论本文提出了一种针对复杂工业过程的、具有边界感知能力的开集故障诊断框架。通过引入基于概率梯度的边界样本生成机制,该方法旨在模拟已知类别与未知类别之间的过渡区域,从而引导分类器为已知数据学习出简洁且校准良好的决策边界。与传统主要依赖置信度校准或启发式阈值方法的开集诊断技术不同。CRediT作者贡献说明赵强:监督、资源提供、项目管理、资金获取、数据整理。李明宇:初稿撰写、可视化、验证、软件开发、方法设计、研究实施。邓光阳:可视化、验证、形式化分析、概念构建。韩英华:审稿与编辑、监督、资源提供、项目管理、资金获取、数据整理。利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号