不完整数据下的状态监测：集成变分自编码器与距离度量框架

工业系统的状态监测对于确保安全和维护规划至关重要，但在实际场景中，由于故障样本的有限或缺失，面临着显著的挑战。本文通过提出一种针对未见数据进行故障检测和状态监测的新方法，引入了针对该问题的创新解决方案。受零样本学习启发，我们的方法能够识别故障并为各种运行条件分配相对健康指数。通常，我们拥有大量正常运行的数据、部分受损状态的数据以及极少（如果有的话）的严重故障样本。我们使用变分自编码器来捕获先前已见和新的未见条件的概率分布。通过比较每个样本在潜在空间中偏离正常运行参考分布的程度来确定健康状态。通过为健康指数设定阈值来检测故障，使得模型即使在存在噪声的情况下也能高精度地识别严重的、未见过的故障。我们使用运行至失效的 IMS 轴承数据集验证了我们的方法，并与其他方法进行了比较。我们的模型生成的健康指数与既有的轴承磨损描述模型高度吻合，证明了我们方法的鲁棒性和可靠性。这些发现突显了我们的方法在增强工业领域故障检测能力方面的潜力，从而有助于提升安全协议和优化维护实践。