基于显著性检验且具风险保证的故障检测校准预测集

故障检测对于确保现代工业系统的安全性和可靠性至关重要。然而，现有诊断模型面临的一个重大科学挑战是缺乏严格的风险控制和可靠的不确定性量化，特别是在分布偏移等复杂场景下。为解决这一问题，本文提出了一种新颖的故障检测方法，该方法将显著性检验与共形预测框架相结合，以提供形式化的风险保证。该方法通过基于模型残差定义非一致性度量，将故障检测转化为假设检验任务。随后，它利用校准数据集计算新样本的p值，用于构建在数学上保证以用户指定概率$1-\alpha$包含真实标签的预测集。接着，通过分析构建的预测集与预定义的正常和故障标签集的交集来执行故障分类。跨域故障诊断任务上的实验结果验证了我们方法的理论性质。所提方法始终达到等于或高于名义水平（$1-\alpha$）的经验覆盖率，即使在底层点预测模型表现不佳时也展现出鲁棒性。此外，结果揭示了用户定义风险水平（$\alpha$）与效率之间的可控权衡，即更高的风险容忍度导致更小的平均预测集大小。本研究为故障检测提供了一个理论基础扎实的框架，实现了显式风险控制，增强了诊断系统在安全关键应用中的可信度，并推动该领域从简单的点预测向信息丰富且具不确定性感知的输出发展。