开集故障诊断自监督学习方法：提升未知故障识别精度

针对开集故障诊断中未知故障逃逸率高的问题，本文提出基于自监督学习的开集分类方法。与传统的特征空间构建方法不同，本文提出自监督任务用于提取已知类的共有特征，使用分类任务提取已知类间的区分特征，由共有特征和区分特征一起构建更为完整的特征空间。利用极值理论为每一个已知类确定开集分类阈值，实现开集分类。在公开的凯斯西储大学轴承数据集和实验室私有的电力系统气体绝缘开关数据集上做了充分的对比实验和消融实验，与两种经典开集分类方法OpenMax和DOC（Deep Open Classification）中效果最好的相比，已知类和未知类分类准确率的调和均值（H-Score）分别提15.03%和35.32%，实验结果证明了自监督任务提取已知类共有特征的必要性，以及该方法相较于经典开集故障诊断方法的优势。