近期，机械工程学院青年教师蒲自强博士在国际工业信息领域顶级期刊IEEE Transactions on Industrial Informatics上发表了题为“Incrementally Generative adversarial diagnostic using few-shot enabled one-class learning”（使用少量样本赋能的单类学习进行增量式生成对抗性诊断）的学术论文（10.1109/TII.2024.3416945），在工业机械智能故障诊断领域取得了突破性进展。

在实际工业场景中，故障诊断通常依赖于大量正常数据来通过少量样本检测故障。新引入故障的样本有限性会给基于深度学习的故障诊断模型带来挑战。为了解决这个问题，一种名为增量生成对抗诊断的新框架被开发出来，它使用少样本单类学习（FSEOCL）来对新出现的少量样本进行有效的异常检测和故障分类。在该方法中，首先仅使用正常数据训练双向生成对抗网络以获取用于从时间序列数据中进行潜在表示的编码器。然后可以通过FSEOCL正确识别和分类潜在空间中每种故障条件的少量样本。通过对基准轴承和工业机器人进行的故障诊断实验证明了所提出框架的有效性。结果强调了该框架对工业故障诊断场景的适应性，与最先进的同类方法相比，突出了其实现准确异常检测和故障分类的能力。

该成果得到了国家重点研发计划（2023YFB3406104）和国家自然科学基金(72271036)的资助。

期刊简介：IEEE Transactions on Industrial Informatics（2023年，IF: 11.7）隶属于IEEE Computer Society学会，创刊于2005年，由IEEE出版，是工业信息、人工智能和自动化与控制系统领域的顶级国际期刊。