En tant qu'élément clé du système de transmission de la machine à laminage à haut ébarbage, le coffret de distribution joue un rôle crucial dans la transmission et la répartition de la force de laminage. Par conséquent, la recherche sur le diagnostic de pannes des coffrets de distribution est d'une grande importance pour garantir la sécurité et la fiabilité du fonctionnement du procédé. Cependant, lorsque les caractéristiques de la panne sont peu marquées et que le type de panne est inconnu, les méthodes de diagnostic traditionnelles peuvent ne pas fournir de résultats fiables. Pour répondre à ces problèmes, cet article propose un modèle de domaine croisé à ensemble ouvert, utilisant l'apprentissage antagoniste pour renforcer la représentation des caractéristiques dans des conditions de pannes floues, et intégrant des méthodes basées sur la distribution pour la reconnaissance des pannes inconnues. Compte tenu de l'importance de la représentation des caractéristiques dans l'apprentissage antagoniste et la reconnaissance des pannes inconnues, un extracteur de caractéristiques d'interaction d'information fusionnant des convolutions profondes séparables et des réseaux de convolution graphes a été construit, cette structure compensant les limites des convolutions profondes séparables traditionnelles concernant l'indépendance des canaux lors de l'extraction des caractéristiques profondes. Pour identifier les pannes inconnues des coffrets de distribution, une méthode d'approximation du point selle est adoptée, établissant une distribution pour chaque classe connue durant la phase d'entraînement et utilisant ces distributions pour reconnaître les échantillons inconnus durant la phase de test. Contrairement aux méthodes traditionnelles d'établissement de distribution, la méthode d'approximation du point selle utilise directement les données sans dépendre d'hypothèses ou de formules préétablies sur les distributions. Afin de valider la supériorité de la méthode proposée, des expériences comparatives ont été menées sur la base de données historiques de pannes des coffrets de distribution. Les résultats montrent que la méthode atteint une précision de 94,13 % et un score H de 91,35 %, démontrant d'excellentes performances tant dans la classification des pannes connues que dans la reconnaissance des pannes inconnues.

diagnostic de pannes;ensemble ouvert;réseau antagoniste;laminoir à froid;coffret de distribution