近年來，隨著工業設備復雜性和運行強度不斷增加，機械設備故障診斷的重要性日益凸顯。尤其在航空、能源和制造等領域，如何通過有限的數據快速準確地診斷關鍵部件(如軸承)的故障，成為保障設備可靠性和安全性的核心問題。
 

　　近日，中國科學院沈陽自動化研究所智能檢測與裝備科研團隊提出了一種輕量化域融合網絡，用于增強少樣本學習下的故障診斷能力。
 

網絡結構示意圖
 

　　該網絡架構分別處理振動信號的時間域、頻率域和統計特征，并通過改進的通道注意力機制實現多傳感器數據融合。此外，科研團隊還提出了兩種與模型無關的少樣本學習增強策略，即優化采樣間隔以減少樣本差異，以及通過正則化損失函數最大化類間分離。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化方法
 

　　實驗結果表明，新方法在兩個公開數據集上的表現均優于現有技術，尤其是在每個故障僅提供1至5個樣本的情況下，其診斷準確性顯著高于其他方法，同時計算速度更快。該成果不僅為實際工業場景中的少樣本故障診斷提供了一種高效解決方案，也為資源受限環境下的實時診斷系統部署奠定了基礎。
 

　　該研究成果以A Lightweight Triple-Stream Network With Multisensor Fusion for Enhanced Few-Shot Learning Fault Diagnosis為題發表于國際期刊IEEE Transactions on Reliability。沈陽自動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。該研究得到了國家自然科學基金項目、遼寧省應用基礎研究計劃和遼寧省自然科學基金項目的支持。(智能檢測與裝備研究室)