多尺度与多层次特征增强的元学习方法在少样本故障诊断中的应用

《Knowledge-Based Systems》：Multi-Scale and Multi-Level Feature Enhanced Meta-Learning for Few-Shot Fault Diagnosis

　　

Jingxuan Chai|Jie Cao|Xiaoqiang Zhao|Jinghua Wang

摘要

在实际的工业环境中，智能故障诊断常常面临标记故障样本稀缺、严重噪声污染以及运行条件分布频繁变化等挑战。那些严重依赖大规模标记数据集的深度学习方法往往具有有限的泛化能力，导致在跨条件场景下出现过拟合和性能显著下降的问题。为了解决这些问题，本文提出了一种具有多尺度及多层次特征增强的双分支元学习故障诊断框架。该框架通过联合建模时频表示和原始时间振动信号，引入了互补的结构归纳偏见，从而能够快速适应未见过的运行条件和新的故障类型。在时频分支中，使用连续小波变换（CWT）生成高分辨率的时频表示，并在小波域中嵌入软阈值去噪策略以对多尺度子带进行自适应噪声抑制。此外，还设计了一种受小波包启发的多尺度卷积架构，以明确扩大感受野范围，从而增强对脉冲瞬态特征和细粒度纹理模式的提取能力。在时间分支中，引入了一种改进的残差扩张时间卷积网络（TCN），用于直接建模原始振动信号的时间依赖结构，这增强了弱故障特征的识别能力并提高了抗噪声性能。为了进一步提高任务的适应性，开发了一种元感知的可变形卷积模块，以实现基于任务上下文的动态特征对齐。同时，引入了一种轻量级的Swin-Tiny融合结构与多尺度通道注意力机制相结合，用于执行分层跨模态特征融合。在该原型网络框架中，采用了一种带有自适应阈值调节策略的缩放余弦相似度度量，以构建更加平滑且具有更高区分度的嵌入空间，从而实现鲁棒的少样本分类。在Paderborn轴承数据集和LUT-WFD风力涡轮机故障数据集上进行的广泛实验表明，所提出的方法在少样本学习、强噪声干扰以及跨条件迁移场景下均表现出优异的诊断准确性，并且训练稳定性和泛化一致性也得到了提升。该框架为数据稀缺的工业环境中的智能故障诊断提供了一种基于知识引导且可迁移的解决方案。