这篇文章属于类型a，是关于一种原创研究的学术报告，以下是针对研究的综合报告：

研究基本信息

该研究的题目为《open set classification for signal diagnosis of machinery sensor in industrial environment》，作者包括Chen及其团队，所属机构未具体提及。此研究以《IEEE Transactions on Industrial Informatics》为载体发表，手稿ID为TII-21-5391，文章类型为Regular Paper，关键词包括deep learning（深度学习）、fault diagnosis（故障诊断）、machine health monitoring（机器健康监控）、open set classification（开放集分类）以及vibration signal（振动信号）。

研究背景

在工业生产环境中，及时监控设备的运行状态、发现潜在的操作故障并将故障归类，是通过捕捉和分析由传感器收集的时间序列信号数据的特征来实现的。近年来，深度学习方法凭借其强大的特征提取能力被广泛应用于机械故障诊断。然而，大多数现有深度学习方法基于所谓的“闭集假设”（closed set assumption），即训练数据集中已包含运行环境中所有可能出现的类别。然而在实际工业场景中，设备运行过程中环境和条件可能随着时间变化而产生未知类别数据，这些未知类别通常反映设备的新模式或新故障，且在现有的闭集假设下无法处理。因此，研究开发一种能够有效区分已知类别并同时识别未知类别的开放集分类方法对工业设备的健康监测具有重要意义。

研究目标为：在工业环境中，提出一种新的通用开放集信号分类（open set signal classification，OSSC）方法，用于应对上述挑战，保证对未知类别的精准识别。

研究流程

1. 数据预处理：时频域融合

研究首先对设备传感器收集的信号进行预处理，将时间序列振动信号通过傅里叶变换(傅立叶变换，Fourier Transform)转换到频域，融合时间域和频域数据。这种多通道融合的信号预处理策略，旨在保证信号数据的完整性，提高对特征信息的提取能力。

2. 建立变分编码分类器

为处理高维数据信息，并有助于识别未知类别，研究提出了一种基于变分贝叶斯网络（variational Bayesian network）的变分编码分类器（variational encoder-classifier）。变分自动编码器（variational autoencoder, VAE）结合贝叶斯推理，通过约束编码器输出的特征分布，从而提升未知类别和已知类别的分离能力。在该网络中，编码器作用于原始数据，学习潜特征分布，并使用变分约束最大化特征表达。此外，研究通过再参数化技术，利用高斯分布生成潜变量，并通过损失函数优化特征表达的分离度。

3. 基于极值理论和信息熵的开放集判别器

研究开发了一对基于极值理论（extreme value theory, EVT）和香农熵（Shannon Entropy）的判别器用于检测未知类别。
- EVT判别器：以样本潜特征到高密度区域的距离为判别依据，通过 Weibull 模型拟合尾部分布，决定样本是否属于已知类别。超参数如尾值“η”用于控制分布拟合的准确性。
- 香农熵判别器：通过计算网络输出的Softmax概率向量的熵值反映样本的不确定性，使用设定的熵值阈值将未知类别与已知类别区分。

4. 实验验证与分析

研究选择了两个公开数据集作为实验对象： - CWRU数据集：包含一个健康状态类别和九种不同故障类别（如内圈、外圈和滚动体点蚀故障），数据源自Case Western Reserve University，采样频率为12,000 Hz。
- PCNR数据集：由核反应堆中的振动信号组成，包含六类状态信号，在核电站实际环境中采集，采样频率为50,000 Hz，数据维度更高、噪声更多。

实验设置中，研究定义了不同程度的开放性(openness)，并根据不同的任务分布已知和未知类别，然后使用F1值指标评估模型在开放分类任务中的性能表现。此外，研究将所提方法（OSSC）与多种基线方法（包括DCNN、VAE、MLP、OpenMax等）进行了对比。

主要实验结果

任务分类结果

实验表明： - OSSC方法在CWRU与PCNR两个数据集上的F1值均显著高于其他方法。尤其在噪声较大、数据维度较高的PCNR数据集上，OSSC仍然表现出稳健的性能。
- 在开放性较大的情况下，基于EVT的判别器因为聚焦于特征分布尾部分布拟合，获得了更好的结果。而在开放性较小的任务中，基于熵的判别器随着已知类别数量的增加优势逐渐显现。
- 对比实验显示，未采用时频域融合或未使用变分编码模块的模型，在分类性能上表现不稳定甚至较差，验证了本文提出的时频域融合预处理对特征提取的必要性，以及变分编码分类器对潜特征分离和分布拟合的重要价值。

数据特征可视化

通过t-SNE（t分布随机邻域嵌入）二维可视化潜特征，显示OSSC能够有效缩小类内距离，同时增加类间距离。对比中，未融合时频信息以及未经变分类器优化的对比方法，特征在不同类别间有明显的重叠区域。这种优越的特征分离性对精确识别未知类别起到了关键作用。

研究总结

本研究有效地解决了工业环境中开放集合分类问题的核心挑战，为实际工业应用（如设备故障诊断）提供了一种创新性解决方案。主要贡献包括： - 提出时频域融合预处理，保证信号信息的完整性。 - 引入变分编码分类器模型，提升潜特征分布的鲁棒性。 - 开发基于EVT和熵的双判别器，用于精准识别未知类别。 实验结果表明，OSSC能够在已知类别分类的同时，准确检测未知类别，尤其在高维数、复杂特征信号环境中体现出突出的性能。

研究意义

本研究具有以下科学意义和应用价值： - 科学意义：完善了开放集分类方法的理论工具，为处理未知类别提供了特征分布分析的新思路。
- 应用价值：该方法适用于不断生成未知状态或故障类别的工业应用场景，为机器健康监测、诊断维护等任务提供强有力的支持。

未来研究方向包括：探索更加通用的基于无监督学习的开放分类框架，进一步提升模型在无标签数据环境中的适应性。