基于显著性检验的故障检测保守预测集

故障检测对于确保现代工业系统的安全和可靠性至关重要。然而，现有诊断模型在面对复杂情景（如分布迁移）时缺乏严格的风险控制和可靠的不确定性量化。为此，本文提出一种新颖的故障检测方法，将显著性检验与保守预测框架集成，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典型性度量，将故障检测转化为假设检验任务。随后利用校准数据集计算新样本的 p 值，这些 p 值用于构建包含真实标签的预测集，由用户指定的概率 $1-\alpha$ 保证覆盖。随后通过分析构建的预测集与预定义的正常和故障标签集合的交集来执行故障分类。在跨域故障诊断任务上的实验结果验证了我们方法的理论属性。该方法始终实现了在或高于名义水平 ($1-\alpha$) 的经验覆盖率，表明即使底层点预测模型表现不佳，仍能保持鲁棒性。此外，结果揭示了用户定义的风险水平 ($\alpha$) 与效率之间的可控权衡，其中更高的风险容忍度导致更小的平均预测集大小。该研究为故障检测提供了一个理论上有据可依的框架，使我们能够实现显式的风险控制，增强了在安全关键应用中诊断系统的可信度，并推动了领域从简单的点预测向信息丰富、具备不确定性感知的输出方向的发展。