---
title: 论文设计v2(final)：基于贝叶斯特征可信度推断的跨工况故障诊断方法
author: 齐钒羽
date: 2026-04-02
summary: 精确对标参考论文(Feng2026 MST)。引言6段(含4挑战对标)+大纲(对标2.1-2.5结构)+6实验(对标表1/Fig.7-10)+框架图提示词(对标Fig.1风格)。
canonical: https://blog.sysu-sam.com/@qifanyu/ocsd-fault-diagnosis-framework
---

# 论文最终设计v2（精确对标参考论文）

> 参考论文：Feng et al. "Physically-informed Bayesian feature optimization for semi-supervised industrial anomaly detection" (MST, 2026)
> 参考论文结构：Introduction(4挑战) → Technical Approach(数据→预处理→特征工程→模型→特征选择) → Application(不平衡→基线模型→讨论) → Conclusions

---

## 一、引言故事线

### 参考论文的引言结构（精确还原）

```
第1段：工程重要性（冲压在汽车制造中的关键角色）
第2段：现有方法综述（人工检查→光学检查→SPC→ML）
第3段：四个关键挑战（bullet list）
  • 批量异常需要过程内反馈
  • 噪声复杂+精度要求高
  • 数字基础薄弱+异常样本稀缺
  • 缺乏物理信息的融入
第4段：现有方法针对每个挑战的不足
第5段：本文方案（To address these issues...三个Firstly/Secondly/Ultimately）
第6段：全文结构（Section I/II/III/IV）
```

### 本文引言（完全对标，6段）

**第1段：工程重要性**

机械系统（液压系统、旋转机械等）是高端装备的核心功能部件，故障诊断对保障运行安全和降低维护成本至关重要。随着设备向智能化、多工况方向发展，同一系统需在不同负载、转速、压力条件下运行，跨工况故障诊断已成为该领域的核心挑战。

**第2段：现有方法综述**

数据驱动方法（CNN、LSTM、迁移学习等）在故障特征提取方面取得显著进展。域泛化(DG)/域适应(DA)方法试图在模型层面学习工况不变表示。传统特征选择方法（F统计量、互信息、ReliefF）在特征评价中广泛应用。

**第3段：三个关键挑战（bullet list，对标参考论文的四挑战格式）**

尽管上述方法已取得一定成果，但在跨工况故障诊断场景下仍面临以下关键挑战：

- **特征失真与混杂。** 工况变化导致传感器特征的统计特性显著改变，传统特征选择方法仅评价全局区分力，无法区分"区分力来自故障"还是"来自工况变化"，导致选入全局区分力高但跨工况失效的"虚假强特征"。
- **专家知识难以形式化融入。** 领域专家通常具有"哪些特征不受工况影响"的隐含判断，但这类先验知识缺乏标准化的数学编码方式，无法被现有特征选择方法系统利用。
- **模型层方法的不可解释性。** DG/DA方法在模型内部隐式处理工况差异，无法回答"哪些特征在跨工况时不可靠"这一对工程师至关重要的问题，且计算资源需求高。

**第4段：参考论文的启发与差异化定位**

近期，Feng等提出了物理信息贝叶斯特征优化方法，通过贝叶斯框架将领域物理知识与数据驱动证据融合，在半监督工业异常检测中取得显著效果。该工作表明贝叶斯框架是连接专家先验与数据证据的天然接口。然而，该方法针对的是**单工况、异常样本稀缺**条件下的特征优化问题，其贝叶斯隐变量为特征的选入概率（inclusion probability），似然由分类性能驱动。在跨工况场景下，核心矛盾并非样本稀缺，而是**工况导致的特征失真与混杂**，需要一种不同的贝叶斯建模策略——推断的不是"特征要不要选"，而是"特征在工况变化后是否仍保持故障信息"。

**第5段：本文方案（对标参考论文的Firstly/Secondly/Ultimately结构）**

针对上述挑战，本文提出基于贝叶斯特征可信度推断的跨工况故障诊断方法。首先，提出基于EWMA梯度检测的工况自适应分段方法，自动获取连续过程系统的工况标签，并通过二因素ANOVA将每个特征的变异分解为故障信号、工况效应和交互效应三个统计证据量。其次，构建贝叶斯特征可信度推断框架，以专家对特征故障专属性/工况敏感性的判断作为先验，以跨工况方差分解证据作为似然，推断每个特征的跨工况可信度后验分布。最终，基于后验可信度排序选择特征并输入分类器，在液压系统和轴承系统两个典型场景下验证。

**第6段：全文结构**

本文其余部分安排如下：第1节介绍跨工况特征评价的理论基础；第2节详细阐述所提方法；第3节给出实验验证与分析；第4节总结全文。

---

## 二、论文大纲（对标参考论文的章节划分）

### 参考论文的实际结构

```
1. Introduction
2. Technical Approach
   2.1 Dataset Information
   2.2 Data Preprocessing（Butterworth滤波）
   2.3 Feature Engineering（7阶段物理分段 + PCA）
   2.4 Model Applying（7算法×2特征集）
   2.5 Model-Based Feature Selection（RF重要性 + MI + 散点图分析）
3. Application to Stamping Process Monitoring
   3.1 Unbalanced Normal Abnormal Dataset（不平衡问题讨论）
   3.2 Golden Baseline Model Building（一分类模型 + 偏差分数）
   3.3 Discussion（阈值调节 + 异常量化可视化）
4. Conclusions
```

### 本文大纲（对标调整）

```
0. 引言（6段，如上）

1. 理论基础
   1.1 跨工况故障诊断问题描述
       特征集F、工况集C、故障类别Y；
       目标：识别在工况变化后仍保持故障信息的可靠特征
   1.2 二因素方差分解
       SS四分量公式；三个证据量 e_fault/e_cond/e_inter

2. 所提方法
   2.1 方法总体框架（Fig.1 + 总述段）
   2.2 工况标签获取
       2.2.1 连续工况：EWMA自适应分段（对标参考论文的2.2预处理+2.3物理分段）
       2.2.2 离散工况：直接使用实验条件标签
   2.3 跨工况证据构造（对标参考论文的2.5特征选择中RF+MI分析）
       二因素ANOVA → 三个证据量
       物理可解释性分析（类似参考论文的S2阶段散点图分析）
   2.4 贝叶斯特征可信度推断（核心，对标参考论文正式版的贝叶斯特征优化）
       2.4.1 先验构造：Beta(α,β) 编码故障专属性/工况敏感性/预期不变性
       2.4.2 似然构造：基于跨工况SS证据
       2.4.3 后验推断：p(π_j | e_j)
       2.4.4 与参考论文贝叶斯框架的对比（表格：隐变量/先验/似然/输出的差异）
   2.5 特征选择与诊断（对标参考论文的2.4多模型验证）
       按后验可信度排序 → Top-k → 多分类器验证（RF/SVM/MLP/XGBoost）

3. 实验验证与分析
   3.1 数据集与实验设置（对标参考论文的2.1）
       UCI液压 + Paderborn轴承
       传感器配置表、故障类型表、工况条件表
   3.2 跨工况诊断性能对比（对标参考论文的2.4表1：多算法×多特征集）
       FIC vs F-stat，多k值，Leave-one-condition-out
       5个任务（UCI 4类故障 + Paderborn）× 4分类器
   3.3 FIC后验可信度分析（对标参考论文的2.5特征重要性分析+散点图）
       后验可信度排名 vs F-stat排名的差异
       虚假强特征案例（EPS1_max: e_cond=70%）
       方差分解可视化（类似参考论文的Fig.7/Fig.8/Fig.9）
   3.4 先验敏感性分析（本文特有，参考论文无对应）
       无先验Beta(1,1) vs 弱先验 vs 强先验 → 证明框架可容纳不同程度先验
   3.5 消融实验（对标参考论文正式版的超参鲁棒性消融）
       去贝叶斯/去分段/去ANOVA → 各模块贡献
   3.6 分类器无关性验证（对标参考论文的2.4多模型验证思路）
       同一FIC → RF/SVM/MLP/XGBoost均优于F-stat
   3.7 与文献对比
       Paderborn上与近5年DG/DA方法对比

4. 结论与展望
```

---

## 三、实验设计（6+1个实验，对标参考论文的实验逻辑）

### 参考论文的实验逻辑

```
Step 1: 7算法×2特征集（proposed vs statistical）→ 表1证明提出的特征更好
Step 2: 4特征集×7算法 → Fig.10柱状图，证明S2阶段特征最关键
Step 3: RF重要性+MI → Fig.7双图，识别关键特征
Step 4: 散点图分析 → Fig.8/9，物理可解释性
Step 5: 一分类模型 → Fig.11，半监督验证
Step 6: 异常量化 → Fig.12/13，偏差分数可视化
```

### 本文实验逻辑（对标调整）

```
Exp1: 跨工况诊断性能（对标Step1: 多算法×多特征集）
  FIC vs F-stat vs OCIS_v2，4分类器，5个诊断任务，多k值
  → 表1：核心性能对比表
  → 折线图：k vs 准确率

Exp2: FIC后验分析（对标Step3+4: 重要性+散点图）
  后验可信度排名 vs F-stat排名
  → 散点图：FIC vs cross-condition accuracy（类似参考论文Fig.7）
  → 方差分解柱状图：每个特征的e_fault/e_cond/e_inter（类似Fig.8）
  → 典型案例对比表：虚假特征 vs 纯信号特征（类似Fig.9散点图）

Exp3: 先验敏感性（本文特有★）
  三级先验 × 5任务
  → 分组柱状图
  → 证明：有先验>无先验>F-stat（但无先验已有效）

Exp4: 消融实验（对标参考论文的超参鲁棒性）
  4种消融配置
  → 消融表

Exp5: 分类器无关性（对标Step1的多模型验证）
  FIC Top-10 → 4分类器
  → 证明后验可信度与分类器解耦

Exp6: 文献竞争力
  Paderborn对比表

Exp7(可选): Spearman相关性验证
  FIC后验 vs 单特征跨工况准确率 → rho值
```

### 图表规划（对标参考论文的图表密度）

参考论文：13张图 + 1张表。本文目标：8-10张图 + 4-5张表。

| 图/表 | 内容 | 对标参考论文 |
|:---:|:---|:---|
| Fig.1 | 方法总体框架流程图 | Fig.1 |
| Fig.2 | 工况自适应分段示例（PS1信号+12段边界） | Fig.5(信号分段) |
| Fig.3 | FIC后验可信度 vs 跨工况准确率散点图 | Fig.7(特征重要性) |
| Fig.4 | 方差分解柱状图（每个特征的SS分解） | Fig.8(阶段对比) |
| Fig.5 | 虚假强特征案例（EPS1 vs PS4信号对比） | Fig.9(散点图) |
| Fig.6 | k vs 准确率折线图（FIC vs F-stat） | Fig.10(4特征集对比) |
| Fig.7 | 先验敏感性分组柱状图 | 本文特有 |
| Fig.8 | 消融实验柱状图 | 正式版消融 |
| Tab.1 | 传感器/数据集配置 | 隐含在2.1 |
| Tab.2 | 跨工况诊断性能（FIC vs F-stat × 4分类器） | Table 1 |
| Tab.3 | 与参考论文的贝叶斯框架对比 | 本文特有 |
| Tab.4 | 消融实验结果 | 正式版消融 |
| Tab.5 | Paderborn文献竞争力对比 | 本文特有 |

---

## 四、方法框架图提示词（完全参照参考论文Fig.1的流程图风格）

参考论文Fig.1的风格：
- 从上到下的线性流程
- 每一步是一个矩形框，框内标题+简短描述
- 步骤间用箭头连接
- 左侧主流程，右侧分支（如PCA和物理分段并行）
- 没有颜色区分，全部黑白线框
- 简洁，不花哨

```
请绘制一张学术论文方法框架流程图，风格参照测量科学与技术(MST)期刊的论文插图。

【风格要求】
- 白色背景，黑色线框和箭头
- 所有模块用圆角矩形，无填充色或极浅灰色填充
- 核心创新模块用浅橙色填充以区分
- 箭头为实线单向箭头，线宽1-1.5pt
- 中文标注，公式用英文/数学符号
- 从上到下线性流程，左侧主流程，右侧可有分支标注
- 适配期刊双栏宽度，整体紧凑

【流程结构 - 从上到下】

[顶部输入框]
  "多源传感器时序信号"
  左分支小字："UCI液压 (17传感器×60s循环)"
  右分支小字："Paderborn轴承 (振动×4工况)"
  ↓

[模块A: 工况标签获取]  ← 虚线标注"§2.2"
  框内分左右：
  左："自适应分段"
    小步骤：Hampel预处理 → EWMA梯度检测 → 12个物理段
  右："离散标签"
    小步骤：直接使用实验工况标签
  底部输出："工况标签 C = {c₁,...,cₘ}"
  ↓

[特征提取]  ← 浅灰色框
  "9类统计量：均值/中值/方差/斜率/峰值位置/偏度/峭度/最大值/最小值"
  输出："特征矩阵 X, 故障标签 Y"
  ↓

[模块B: 跨工况证据构造]  ← 虚线标注"§2.3"
  "二因素ANOVA方差分解"
  框内公式："SS_total = SS_fault + SS_cond + SS_inter + SS_within"
  输出三个小框并排：
    "e_fault" / "e_cond" / "e_inter"
  ↓

[模块C: 贝叶斯特征可信度推断]  ← 浅橙色填充，虚线标注"§2.4 核心创新"
  框内分三层：

  上层 "先验 Prior"：
    "π_j ~ Beta(α_j, β_j)"
    左侧虚线箭头引入灰色框"专家知识"
      内含："故障专属性 / 工况敏感性 / 预期不变性"
    右侧小字："无专家时 Beta(1,1)"

  中层 "似然 Likelihood"：
    "p(e_j | π_j)"
    从上方模块B的三个证据量引入箭头

  下层 "后验 Posterior"：
    "p(π_j | e_j) ∝ p(e_j | π_j) · p(π_j)"
    输出："E[π_j | e_j] = 特征j的跨工况可信度"
  ↓

[模块D: 特征选择与诊断]  ← 虚线标注"§2.5"
  从左到右三步：
  "按E[π_j]排序" → "Top-k选择" → "分类器(RF/SVM/MLP/XGB)"
  底部标注："后验不依赖分类器 → 与下游模型解耦"
  ↓

[底部输出框]
  "跨工况故障诊断结果"
  "• 故障类别预测"
  "• 特征可信度后验分布 p(π_j | e_j)"

【右侧章节标注】
用括号标注每个模块对应的论文章节号
```

---

## 五、与参考论文的完整对标表

| 维度 | 参考论文(Feng et al. 2026) | 本文 |
|:---:|:---|:---|
| **任务** | 半监督异常检测（样本稀缺） | 跨工况故障诊断（工况混杂） |
| **数据** | 冲压加速度+注塑 | UCI液压+Paderborn轴承 |
| **预处理** | Butterworth低通滤波 | EWMA自适应分段（创新点） |
| **物理分段** | 7阶段（机理关键点） | 12段（梯度检测自适应） |
| **特征工程** | 分段特征(length/P2P/energy)+PCA | 9类统计量×传感器×段 |
| **贝叶斯对象** | 特征选入概率 | **特征跨工况可信度** |
| **先验** | 工艺阶段Beta先验 | **故障专属性/工况敏感性/不变性三维先验** |
| **似然** | 分类性能驱动 | **跨工况SS分解证据驱动** |
| **输出** | 优化后特征子集 | **后验可信度分布（连续，与分类器解耦）** |
| **模型验证** | 7算法(LDA/NBC/LR/SVM/RF/KNN/MLP) | 4算法(RF/SVM/MLP/XGBoost) |
| **特有实验** | 一分类基线模型+异常量化 | **先验敏感性分析+分类器无关性+文献对比** |