103的思考总结
一句话
它把"判断结构有没有坏"换成一个不需要任何标注的问题——"这段振动谱是哪台风机发出来的"——用"机队对比"逼模型学会忽略环境与运行工况(EOC),最后丢掉分类头、只留编码器,用隐空间置信度报警。
它绕开的真问题
SHM 的老死结:EOC 造成的响应变化,往往比早期损伤造成的还大(原文 p.5 原话:"This variability is often larger than the changes induced by early-stage structural damage")。传统做法要么显式标定环境变量、要么做归一化——都需要工况数据(SCADA)。
P103 换了个思路:完全不建模 EOC,而是让它自己在训练里被"挤"出去。
核心机关(三步)
① 训练——把 EOC 变成干扰项 44 台同型号机组,每 10 分钟一段 PSD 打上"来自哪台"的标签。标签是免费的:监测系统本来就知道数据出自哪个传感器。要点是——同一台机跨各种工况,标签始终不变。于是随工况剧烈变化的分量对分类毫无帮助,反而增加难度;网络想提高准确率,唯一出路就是只保留"跨工况稳定、机与机之间可分"的谱特征(p.6)。
通俗版:44 个一模一样的双胞胎,在不同房间、用不同音量念不同稿子,让你只听声音判断"这是老几"。内容和音量都没用,最后你手里只剩音色。练出来的不是认字能力,是声纹识别能力。
② 部署——丢掉分类头 只保留编码器 fθ,按「机组 × 传感方向」各拟合一个高斯分量:44 × 3 = 132 个(p.7)。
③ 报警——算归属置信度 新样本落在自己那团云里 → 置信度高 → 正常;落在云外 → 置信度低 → 异常指数升高。
关键:异常指数衡量的是"这条谱像不像这台机自己的健康样子",不是"像不像别的机"。所以它是单台监测,不需要对照组。
证据规模
44 台机组 × 4 个月连续现场数据(p.8)
稳定发电期实测触发率 ≈1%,与标定集固定的误报率一致
报出的触发对应:叶片 edgewise 强激励、传感器类异常、以及训练里从未出现过的转子锁定

浙公网安备 33010602011771号