Como un componente clave del sistema de transmisión del laminador de precisión, la caja de distribución juega un papel fundamental en la transmisión y distribución de la fuerza de laminado. Por lo tanto, llevar a cabo investigaciones sobre el diagnóstico de fallas de la caja de distribución es de gran importancia para garantizar la seguridad y confiabilidad del funcionamiento del proceso. Sin embargo, cuando las características de la falla no son evidentes y el tipo de falla es desconocido, los métodos de diagnóstico tradicionales pueden no proporcionar resultados fiables. Para abordar estos problemas, este artículo propone un modelo de conjunto abierto cross-domain que utiliza aprendizaje adversarial para mejorar la representación de características bajo fallas borrosas, y combina métodos basados en distribución para la identificación de fallas desconocidas. Considerando la importancia de la representación de características para el aprendizaje adversarial y la identificación de fallas desconocidas, se construyó un extractor de características de interacción de información que fusiona convoluciones separables profundas y redes de convolución gráfica, cuya estructura compensa las limitaciones de las convoluciones separables profundas tradicionales en la independencia del canal al extraer características profundas. Para identificar fallas desconocidas de la caja de distribución, se adopta un método de aproximación de punto de silla que construye una distribución para cada categoría conocida durante la fase de entrenamiento y utiliza estas distribuciones para reconocer muestras desconocidas en la fase de prueba. A diferencia de los métodos tradicionales de construcción de distribuciones, el método de aproximación de punto de silla utiliza directamente los datos sin depender de supuestos o fórmulas distribucionales preestablecidas. Para verificar la superioridad del método propuesto, se realizaron experimentos comparativos basados en datos históricos de fallas de la caja de distribución. Los resultados demuestran que el método alcanzó una precisión del 94,13% y una puntuación H del 91,35%, mostrando un rendimiento sobresaliente tanto en la clasificación de fallas conocidas como en la identificación de fallas desconocidas.

diagnóstico de fallas;conjunto abierto;red adversarial;laminador de precisión;caja de distribución