GO-OSC 与 VASH：面向振荡系统早期退化检测的几何感知表征学习
机器学习
2026-01-27 v1 人工智能
摘要
振荡系统的早期退化往往表现为动力学的几何畸变，如相位抖动、频率漂移或失去相干性，这在信号能量可检测变化之前就已显现。在此 regime 下，传统的能量基诊断和非约束学习表征在结构上不敏感，导致检测延迟或不稳定。我们引入 GO-OSC，一种针对振荡时间序列的几何感知表征学习框架，强制执行规范且可识别的潜在参数化，实现对短且无标签窗口的稳定比较和聚合。基于此表征，我们定义一族不变线性几何探针，针对潜在空间中与退化相关的方向。我们提供理论结果表明，在仅受早期相位退化影响的情况下，能量统计量的一次检测功为零，而几何探针实现严格正的灵敏度。我们的分析刻画了线性探针在非可识别表征下何时为何失败，以及规范化如何恢复统计可检测性。在合成基准和真实振动数据集上进行实验验证了理论，展示了更早的检测、更高的数据效率以及对运行条件变化的鲁棒性。
引用
@article{arxiv.2601.17396,
title = {GO-OSC and VASH: Geometry-Aware Representation Learning for Early Degradation Detection in Oscillatory Systems},
author = {Vashista Nobaub},
journal= {arXiv preprint arXiv:2601.17396},
year = {2026}
}
备注
21 pages, 5 figures. Includes theoretical analysis, ablation studies, and experiments on synthetic and real vibration datasets. Code available