基于细粒度深度特征表示的多模态过程开集故障诊断

可靠的故障诊断系统不仅应准确分类已知健康状态，还能有效识别未知故障。在多模态过程中，属于同一健康状态的样本常呈现多簇分布，导致为该状态构建紧凑且准确的决策边界困难。为此，提出一种名为细粒度聚类与拒绝网络（FGCRN）的新型开集故障诊断模型。该模型结合多尺度深度可分离卷积、双向门控循环单元和注意力机制以捕获判别特征。设计基于距离的损失函数以增强类内紧凑性。通过无监督学习构建细粒度特征表示，以揭示每个健康状态的内在结构。运用极值理论建模样本特征与其对应细粒度表示之间的距离，从而有效识别未知故障。广泛实验表明，所提方法性能卓越。