具有不确定性感知的物理信息图学习用于故障诊断中的开放集域泛化

智能工业维护关键依赖于旋转机械的可靠故障诊断。然而，它面临着来自未知故障类型和由变化操作条件引起的域偏移的巨大挑战，这被正式表述为开放集域泛化（OSDG）问题。现有方法主要是数据驱动的，因此忽略了不确定性在特征提取、拓扑学习和决策阶段的级联传播。为了应对这一挑战，我们提出了PGU-OD，一种新颖的具有不确定性感知的物理信息图学习框架，用于开放集域泛化。首先，它设计了一个物理信息谱注意力模块来提取条件鲁棒的故障特征，从而抑制由频率偏移引起的感知不确定性。进一步，它构建了一个不确定性感知的自适应图学习机制，在类别尺度高斯分布参数的指导下动态调整样本图的边权重，这减轻了不确定性的结构传播。最后，开发了基于高斯分布的自适应边界损失函数和双准则开放集推理策略，以优化决策边界并可靠地拒绝未知故障。在两个公开且广泛使用的旋转机械故障数据集上的大量实验评估表明，所提出的PGU-OD在域偏移下的已知故障分类和未知故障拒绝方面均优于最先进的基线。