Новый метод адаптации моделей диагностики синхронных электродвигателей при отсутствии дефектных данных целевого домена
Статья: Новый метод адаптации моделей диагностики синхронных электродвигателей при отсутствии дефектных данных целевого домена
Статья в выпуске: 3 т.15, 2026 года.
Бесплатный доступ
Среди подходов к диагностике неисправностей вращающегося оборудования в условиях доменного сдвига остается малоизученным сценарий ввода оборудования в эксплуатацию, когда можно собрать данные только о нормальном состоянии, а примеры целевых неисправностей полностью отсутствуют. Стандартные методы доменной адаптации в условиях неразмеченных данных здесь неприменимы, так как отсутствуют целевые дефекты для кластеризации, в то время как методы обнаружения аномалий на основе одного класса игнорируют ценные знания о неисправностях в исходном домене. Методы, использующие цифровые двойники или генеративно-состязательные сети, требуют дорогостоящего физического моделирования и сталкиваются с проблемой расхождения между синтетическими и реальными данными. Мы предлагаем новый подход к доменной адаптации FD-GAP (Fréchet Distance and Gap-based Penalty) в условиях, когда целевой домен содержит исключительно данные нормальной работы оборудования. В отличие от предыдущих работ, где адаптация ограничивается выравниванием распределений, мы переносим геометрическую границу класса соответствующего дефекту из исходного домена в целевой, используя расстояние Фреше и функцию зазора для отталкивания состояний с дефектом. Для компенсации стохастической нестабильности модели при различных случайных инициализациях вводится новый механизм ансамблевой фильтрации на основе расхождения, работающий исключительно с данными о нормальном состоянии целевого объекта, что обеспечивает надежность внедрения с заданным уровнем ложноположительных срабатываний.
Короткий адрес: https://sciup.org/147255448
IDS: 147255448 | УДК: 681.518.5, 004.89 | DOI: 10.14529/cmse260306
A Novel Method for Adapting Synchronous Motor Diagnostic Models in the Absence of Target-domain Fault Data
Among the approaches to fault diagnosis of rotating machinery under domain shift, the equipment commissioning scenario remains insufficiently studied, where only normal-state data can be collected and examples of target faults are completely unavailable. Conventional unsupervised domain adaptation methods are not directly applicable in this setting because target fault samples required for clustering are absent, while one-class anomaly detection methods ignore valuable knowledge about faults available in the source domain. Approaches based on digital twins or generative adversarial networks require computationally expensive physical modeling and may suffer from discrepancies between synthetic and real data. We propose a novel FD-GAP domain adaptation approach for the setting in which the target domain contains only normal operating data. Unlike previous approaches limited to distribution alignment, the proposed method transfers the geometric boundary of the fault class from the source domain to the target domain using the Fréchet distance and gap loss to push fault states away from the normal-state region. To compensate for stochastic model instability caused by different random initializations, a novel disagreement-based ensemble filtering mechanism is introduced. The mechanism operates exclusively on normal-state data from the target equipment and improves deployment reliability while maintaining a prescribed false-positive rate.
