面向可信故障诊断与分布外检测的骨干无关帕累托证据网络

为何更“聪明”的故障报警很重要

现代工厂依赖传感器和算法来监听从微小轴承到大型旋转轴等机器的早期异常信号。当遇到训练时见过的熟悉问题，这些系统表现良好；但若遇到真正新的情况，它们可能会变得危险地过于自信。本文提出了一种称为帕累托驱动证据双头网络（PEDNet）的方法，旨在帮助诊断算法不仅判断哪种故障最可能发生，还能在适当的时候承认“我不确定”，以便在损坏或事故发生之前由人介入。

未知故障的挑战

传统故障诊断系统假设所有可能的故障类型在训练时已被覆盖。它们在标注好的振动信号上训练——来自健康轴承和有限几类故障——然后期望将未来每个信号分类到这些类别之一。然而在真实工厂中，设备会老化、负载会变化，新的故障组合可能出现，而这些情况从未出现在训练集中。这类不熟悉的情况称为分布外（OOD）事件。传统深度网络往往会把这些未知案例强行归入最接近的已知标签且置信度很高，这可能误导维护人员并削弱对自动监测的信任。

双头优于单头

为了解决这一问题，PEDNet采用了一个简单但强大的想法：将网络的决策拆分为两个协调的部分或“头”，它们共享相同的学习特征。一个头专注于常规任务——判断输入信号最符合哪个故障模式；另一个头以有原则的方式估计该决策的可信度。该不确定性头不是输出一个单一的硬分数，而是表示模型对每个可能类别拥有多少支持性“证据”。当证据薄弱或不一致时，模型的整体置信度会下降，从而发出输入可能异常或超出以往经验的信号。

在准确性与谨慎之间取得平衡

仅仅增加第二个头并不会自动产生可靠行为：两个任务——在已知故障上保持准确、在未知故障上保持谨慎——在训练过程中可能把共享网络拉向不同方向。PEDNet通过一种基于帕累托的加权方案来应对这一点，该方案在每个训练批次上观察来自每个头的梯度或更新方向。方法不是使用固定或手工调节的权重，而是解析地找到一个折衷方向，尽可能同时减少两个目标。这种“动态休战”引导学习朝向既能清晰识别已知模式又能在出现异常时诚实表达不确定性的解。

在真实机床数据上的验证

作者在两个公开的轴承数据集上测试了PEDNet，这些数据集模拟了现实工厂场景。一个数据集包含两个轴承的单一与复合故障混合，使得某些组合仅在测试时出现，表现得像真正的新故障模式；另一个则逐步增加损伤程度，将最严重级别视为训练时未见。跨越四种不同的骨干架构——从小型卷积网络到更专用的设计——PEDNet在提高故障分类准确率的同时，大幅降低了将未知案例误判为正常的比率。它还生成了更好校准的置信度分数，意味着其陈述的确定性更接近实际正确的频率。即便在更苛刻的测试中——模型在一个数据集上训练、在具有不同传感器和机器结构的另一个数据集上评估——其不确定性信号仍然有信息量，但作者强调仍需进行一些领域特定的调优。

这对更安全的机器意味着什么

在实际应用中，PEDNet提供了一种可插拔的训练策略，可搭在许多现有神经网络设计之上而无需改变其内部结构。这使得将第二重感知能力 retrofit 到现有诊断系统更容易：不仅检测可能的故障，还能标记超出熟悉范围的读数。尽管该方法并不能消除在设备或运行条件发生剧烈变化时仍需谨慎设定阈值和人工监督的必要性，但它为自动化监测提供了更可信的基础。通过帮助算法学会何时应自信、何时应回避，PEDNet使工业故障诊断向满足安全关键应用所需的谨慎、透明行为又迈进了一步。

引用: Shi, J., Tang, M. & Tan, L. Backbone agnostic Pareto evidential networks for trustworthy fault diagnosis and out of distribution detection. Sci Rep 16, 10096 (2026). https://doi.org/10.1038/s41598-026-40463-0

关键词: 故障诊断, 分布外检测, 不确定性感知人工智能, 工业监测, 多任务学习