一种结合生成式数据增强与不确定性度量的开放集故障诊断方法

本发明公开了一种结合生成式数据增强与不确定性度量的开放集故障诊断方法，旨在解决传统闭集故障诊断模型在面对未知故障类型时误判率高、泛化性不足的问题。现有方法通常依赖已知故障类别的充足样本，难以识别未知故障模式。对此，本发明通过构建基于混合高斯分布的VAE‑GMM生成模型，采用低概率密度采样策略生成与已知类别分离的辅助负样本，并结合对比学习优化模型对异常样本的敏感度。进一步地，通过EDL分类器对预测结果进行不确定性量化，建立阈值判别准则以区分已知/未知故障类型。与现有技术相比，本方法通过生成式数据增强与不确定性度量双模块协同，显著提升了开放集场景下的诊断鲁棒性，同时降低了对未知故障先验数据的依赖。