面向演化运行条件的连续测试时域适应以实现高效故障检测

故障检测对于工业系统至关重要，可防止故障并通过区分异常运行条件和正常运行条件来优化性能。随着复杂工业系统监控数据的增加，数据驱动方法在故障检测任务中正日益受到青睐。尽管已取得这些进展，但在实际场景下早期故障检测仍是一个挑战。 operating conditions 和环境的高变动性使得收集能代表所有可能运行条件的全面训练数据困难，尤其是在系统运行早期阶段。此外，这些变化可能随时间演化，导致以后出现的全新数据分布。这些挑战阻止了在不同单元和时间上的直接知识迁移，导致训练数据和测试数据之间的分布差距，使现有方法在实际场景中性能下降。为克服这一问题，我们引入了一种 novel 方法用于连续测试时域适应。这使我们能够通过解决域迁移和数据代表性不足问题，实现早期稳健的异常检测。我们提出了测试时域适应异常检测（TAAD）框架，将输入变量分为系统参数和测量值，采用两个域适应模块分别适应每种输入类别。该方法允许针对不断演化的运行条件进行有效适应，特别适用于数据稀缺的系统。我们在真实世界的泵监控数据集上进行测试，结果表明该方法在故障检测中显著优于现有域适应方法，显示出提高的准确性和可靠性。