基于微信公众号开发网站开发上海网络推广培训学校
一、研究背景与动机
工业故障诊断通常面临两个关键问题：
- 异常检测（Anomaly Detection）：判断系统是否发生故障。
- 故障分类（Fault Classification）：确定故障的具体类型。
传统方法往往依赖于大量故障样本进行有监督训练，然而在实际工业场景中：
- 正常运行状态的数据容易获取，数量大；
- 故障数据稀少，且新故障类型不断出现，难以收集足够样本。
因此，论文致力于解决在只有大量正常样本、每类故障仅极少量样本的情况下，实现高精度的异常检测和新故障类型增量识别的问题。
二、提出的方法：IGAD框架
IGAD（Incrementally Generative Adversarial Diagnostics）框架的核心思想是：
仅使用大量正常数据训练模型，逐步引入极少量的故障样本，实现增量式的故障诊断。
该框架包含两个主要阶段：
1. 潜在特征提取：基于Bi-GAN的编码器
- 模型结构：使用双向生成对抗网络（Bi-GAN），包含编码器（E）、生成器（G）和判别器（D）。
- 训练数据：仅使用正常数据训练。
- 目标：学习正常数据的分布，并得到一个能有效将高维时间序列数据映射到低维潜在空间的编码器。
- 流程：
- 真实数据x通过编码器E得到潜在表示x^；
- 随机噪声z通过生成器G生成数据z^；
- 判别器D试图区分真实数据对(x,x^)和生成数据对(G(z),z)。
- 输出：训练完成后，保留编码器E，用于将所有数据（正常+故障）映射到低维潜在空间。
2. 故障诊断与增量学习：FSEOCL
- FSEOCL（Few-Shot Enabled One-Class Learning）：结合一类支持向量机（OCSVM）与少样本学习能力。
- 高斯径向基（RBF）核函数用于处理非线性分类问题。
- 增量学习流程