面向半监督泛化故障诊断的领域感知层次对比学习
机器学习
2026-04-24 v1 人工智能
摘要
在标注数据稀缺的情况下，面向未见操作条件的故障诊断极具挑战性。半监督域泛化故障诊断 (SSDGFD) 通过同时利用标注源域和未标注源域提供了实用解决方案。然而，现有方法仍面临两个相互关联的局限性：首先，针对未标注域的伪标签通常主要来自在标注源域上学习到的知识，忽略了领域特定的几何差异，从而导致系统性的跨域伪标签偏差；其次，未标注样本通常采用硬性接受或放弃策略，严格的阈值处理导致跨域样本利用不均衡，同时对不确定样本的硬标签分配容易引入额外噪声。为解决这些问题，我们提出一种统一框架，称为领域感知层次对比学习 (DAHCL) 用于 SSDGFD。具体而言，DAHCL 引入领域感知学习 (DAL) 模块，显式捕获源域几何特征并校准跨异构源域的伪标签预测，从而缓解伪标签生成中的跨域偏差。此外，DAHCL 发展了层次对比学习 (HCL) 模块，将动态置信度分层与模糊对比监督相结合，使不确定样本能够在依赖不可靠硬标签的情况下为表征学习贡献。如此，DAHCL 同时提高了监督信号质量和未标注样本的利用率。为更好地反映实际工业场景，我们将工程噪声纳入 SSDGFD 评估协议中。在三个基准数据集上的大量实验表明...
引用
@article{arxiv.2604.20928,
title = {Domain-Aware Hierarchical Contrastive Learning for Semi-Supervised Generalization Fault Diagnosis},
author = {Junyu Ren and Wensheng Gan and Philip S Yu},
journal= {arXiv preprint arXiv:2604.20928},
year = {2026}
}
备注
Preprint