通过减少类内差异和最大化类间差异来强化列车传输系统的跨域少样本故障诊断

《ADVANCED ENGINEERING INFORMATICS》：Reinforcing cross-domain few-shot fault diagnosis of train transmission systems via reducing intra-class and maximizing inter-class variations

　　

刘若曦|段志旭|段伟|陈佐毅|黄宏中

摘要

跨域少样本故障诊断受到特征差异的阻碍，这些差异源于复杂的领域变化，包括不同的运行条件、复合故障模式以及各列车之间的差异。现有的元学习方法主要关注类间可分性，但往往忽视了类内特征的紧凑性，导致特征簇分散，容易产生误分类。为了解决这一限制，提出了一种类内-类间变异校正网络（IICVRN）。具体而言，首先构建了一个自注意力特征增强模块，通过特征重构来提取具有区分性的局部模式，从而改善初始特征表示。随后，设计了一个核心的双向变异校正模块，以协同优化特征空间的几何结构。该模块结合了正向重构策略来最大化类间距离，以及一种新颖的反向重构策略，通过施加各向同性的几何约束来压缩类内变异。在三个异构的高速列车数据集上的广泛实验表明，IICVRN在跨运行条件、跨类型和跨设备的场景中均取得了先进的性能，在具有挑战性的跨设备任务中比先进的基线方法提高了超过5%的性能。理论推导和实验可视化结果均验证了该机制在调节特征变异方面的有效性。