ドメイン認識階層的対比学習による半教師付汎化故障診断

arXiv:2604.20928v1 Announce Type: cross 要約: 未見作業条件下の故障診断は、ラベル付けされたデータが限られている場合、非常に困難です。半教師付ドメイン汎化故障診断 (SSDGFD) は、ラベル付けされたデータと未ラベル付けされたソースドメインを共同で活用することで、実用的な解決策を提供します。しかし、既存の手法はまだ 2 つの相互に関連する限界に苦しんでいます。まず、未ラベル付けドメインのための偽ラベルは、通常ラベル付けされたソースドメインで学習された知識から主に生成され、ドメイン固有の幾何学的不一致を無視するため、系統的なドメイン間の偽ラベルバイアスを誘発します。第二に、未ラベル付けサンプルは一般的に硬い「受け入れるか捨てるか」の戦略で処理され、硬い閾値設定はドメイン間に不均衡なサンプル利用を招き、確定的なサンプルの硬いラベル割り当ては追加的なノイズを引き起こしやすくなります。これらの問題に対処するため、私たちは SSDGFD 用のドメイン認識階層的対比学習 (DAHCL) と呼ぶ統一された枠組みを提案します。具体的には、DAHCL はドメイン認識学習 (DAL) モジュールを導入し、ソースドメインの幾何学的特性を明示的に捉え、異質ソースドメイン間の偽ラベル予測を正規化することで、偽ラベル生成におけるドメイン間バイアスを軽減します。さらに、DAHCL は動的な信頼度階層化とファジー対比監督を組み合わせる階層的対比学習 (HCL) モジュールを開発し、不確実なサンプルが信頼性の低い硬いラベルに依存することなく表現学習に寄与できるようにします。このように、DAHCL は監督品質と未ラベル付けサンプルの利用を同時に向上させます。さらに、より実践的な産業シナリオを反映するため、SSDGFD 評価プロトコルにエンジニアリングノイズを取り入れました。3 つのベンチマークデータセットにおける大規模実験は、...

arXiv:2604.20928v1 Announce Type: cross Abstract: Fault diagnosis under unseen operating conditions remains highly challenging when labeled data are scarce. Semi-supervised domain generalization fault diagnosis (SSDGFD) provides a practical solution by jointly exploiting labeled and unlabeled source domains. However, existing methods still suffer from two coupled limitations. First, pseudo-labels for unlabeled domains are typically generated primarily from knowledge learned on the labeled source domain, which neglects domain-specific geometric discrepancies and thus induces systematic cross-domain pseudo-label bias. Second, unlabeled samples are commonly handled with a hard accept-or-discard strategy, where rigid thresholding causes imbalanced sample utilization across domains, while hard-label assignment for uncertain samples can easily introduce additional noise. To address these issues, we propose a unified framework termed domain-aware hierarchical contrastive learning (DAHCL) for SSDGFD. Specifically, DAHCL introduces a domain-aware learning (DAL) module to explicitly capture source-domain geometric characteristics and calibrate pseudo-label predictions across heterogeneous source domains, thereby mitigating cross-domain bias in pseudo-label generation. In addition, DAHCL develops a hierarchical contrastive learning (HCL) module that combines dynamic confidence stratification with fuzzy contrastive supervision, enabling uncertain samples to contribute to representation learning without relying on unreliable hard labels. In this way, DAHCL jointly improves the quality of supervision and the utilization of unlabeled samples. Furthermore, to better reflect practical industrial scenarios, we incorporate engineering noise into the SSDGFD evaluation protocol. Extensive experiments on three benchmark datasets demonstrate that...