基于图神经网络的半监督开放集海洋机械系统故障诊断
人工智能
2025-11-04 v1
摘要
最近，基于深度学习模型的海洋机械系统故障诊断方法在航运业中引起了广泛关注。大多数现有研究假设训练和测试数据集中的故障类别是一致且已知的，这些方法在受控环境下表现良好。实际情况下， however，之前未遇到或未知的故障类型（即训练期未出现的分布外或开放集观察）可能发生，导致此类方法失效，构成其广泛工业部署的重大挑战。为此，本文提出一种半监督开放集故障诊断（Semi-Supervised Open-Set Fault Diagnosis, SOFD）框架，以增强和扩展深度学习模型在开放集故障诊断场景中的适用性。该框架包括可靠子集构建过程，使用由监督特征学习模型提取的多层融合特征表示来选择未标记的测试子集。随后将标记训练集和伪标记测试子集输入到半监督诊断模型中，以学习每个类别的判别特征，实现对已知故障的准确分类和对未知样本的有效检测。在公开的海事基准数据集上的实验结果表明，所提出的 SOFD 框架具有有效性和优越性。
引用
@article{arxiv.2511.01258,
title = {Graph Neural Network-Based Semi-Supervised Open-Set Fault Diagnosis for Marine Machinery Systems},
author = {Chuyue Lou and M. Amine Atoui},
journal= {arXiv preprint arXiv:2511.01258},
year = {2025}
}