今日頭條
官方微信
官方抖音
資訊頻道近年來(lái)，隨著工業(yè)設(shè)備復(fù)雜性和運(yùn)行強(qiáng)度不斷增加，機(jī)械設(shè)備故障診斷的重要性日益凸顯。尤其在航空、能源和制造等領(lǐng)域，如何通過(guò)有限的數(shù)據(jù)快速準(zhǔn)確地診斷關(guān)鍵部件（如軸承）的故障，成為保障設(shè)備可靠性和安全性的核心問(wèn)題。
近日，中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所智能檢測(cè)與裝備科研團(tuán)隊(duì)提出了一種輕量化域融合網(wǎng)絡(luò)，用于增強(qiáng)少樣本學(xué)習(xí)下的故障診斷能力。
網(wǎng)絡(luò)結(jié)構(gòu)示意圖
該網(wǎng)絡(luò)架構(gòu)分別處理振動(dòng)信號(hào)的時(shí)間域、頻率域和統(tǒng)計(jì)特征，并通過(guò)改進(jìn)的通道注意力機(jī)制實(shí)現(xiàn)多傳感器數(shù)據(jù)融合。此外，科研團(tuán)隊(duì)還提出了兩種與模型無(wú)關(guān)的少樣本學(xué)習(xí)增強(qiáng)策略，即優(yōu)化采樣間隔以減少樣本差異，以及通過(guò)正則化損失函數(shù)最大化類間分離。這些方法可有效提升模型在少量樣本條件下的診斷精度。
少樣本下特征分布優(yōu)化方法
實(shí)驗(yàn)結(jié)果表明，新方法在兩個(gè)公開數(shù)據(jù)集上的表現(xiàn)均優(yōu)于現(xiàn)有技術(shù)，尤其是在每個(gè)故障僅提供1至5個(gè)樣本的情況下，其診斷準(zhǔn)確性顯著高于其他方法，同時(shí)計(jì)算速度更快。該成果不僅為實(shí)際工業(yè)場(chǎng)景中的少樣本故障診斷提供了一種高效解決方案，也為資源受限環(huán)境下的實(shí)時(shí)診斷系統(tǒng)部署奠定了基礎(chǔ)。
該研究成果以A Lightweight Triple-Stream Network With Multisensor Fusion for Enhanced Few-Shot Learning Fault Diagnosis為題發(fā)表于國(guó)際期刊IEEE Transactions on Reliability。沈陽(yáng)自動(dòng)化所博士生彭浩天為該論文第一作者，王偉研究員、杜勁松研究員為本文通訊作者。該研究得到了國(guó)家自然科學(xué)基金項(xiàng)目、遼寧省應(yīng)用基礎(chǔ)研究計(jì)劃和遼寧省自然科學(xué)基金項(xiàng)目的支持。（智能檢測(cè)與裝備研究室）
論文鏈接:https://doi.org/10.1109/TR.2025.3540500
來(lái)源：中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所
北京市公安局海淀分局備案號(hào)：11010802023656號(hào)