论文题目Category knowledge-guided few-shot bearing fault diagnosis类别知识引导的少样本轴承故障诊断期刊Engineering Applications of Artificial Intelligence2025摘要实时轴承故障诊断对于保障复杂工业系统的安全性与可靠性至关重要。然而故障样本采集困难、标注成本高造成的标签数据稀缺使得模型难以从有限且复杂的监测信号中学习具有判别性的故障特征。少样本学习Few-Shot LearningFSL为严重故障信号的特征提取和准确分类提供了有效方法但数据稀缺和环境噪声等问题仍严重制约现有 FSL 方法对初期故障的有效诊断。这主要是因为现有 FSL 策略未充分考虑噪声环境中的类别间相关性限制了模型将已知类别的特征知识推广至新类别的能力。因此迫切需要一种能够利用类别间相关性、克服数据不足和环境复杂性并支持少样本初期故障诊断的方法。本文提出一种面向少样本多任务场景的新型类别知识引导模型。该模型利用基础类别的属性数据及新类别样本之间的相似性高效建立面向未见任务的映射关系显著增强初期故障诊断及多任务应用中的泛化能力使模型能够在未知工况下快速、准确地完成少样本故障诊断。在凯斯西储大学CWRU轴承数据集和早期轻微故障牵引电机轴承EMF-TM数据集上的对比实验表明该模型优于所比较的先进少样本学习与迁移学习方法。一、研究背景与核心问题早期故障比严重故障更难诊断。严重故障通常有明显冲击初期损伤却常被载荷变化与背景噪声掩盖。工业现场也难以为每种未知故障收集大量标签模型既要学会识别弱信号又要适应新类别。度量型 FSL 比较支持集与查询集的特征却可能受到任务无关信息干扰少量支持样本也不足以刻画一个类别。迁移学习在故障类别或运行工况变化时容易退化。作者的关键洞察是新故障虽然样本少但不同故障仍具有可借鉴的共享模式与特有结构。作者据此提出Category Knowledge-GuidedCKG前端学习任务相关特征后端通过**类别知识引导的不完整多核聚类CKG-IMK**组织跨类别关系使新任务不仅依赖孤立的两两样本相似度。二、CKG 整体框架特征学习与类别知识协同工作论文 Figure 1CKG 训练与测试整体结构Figure 1 上半部训练特征提取器下半部执行少样本推断。长度为1024的振动序列经标准化、卷积、Atten-MoE、一维卷积和全连接层形成嵌入测试时支持集与查询集共享冻结的编码器经CKG-IMK形成共识聚类后进行分类。一条核心数据流可以概括为振动序列 → Conv Block → Atten-MoE → Conv1D / FC → Support–Query 特征 → CKG-IMK → 类别判断N-way K-shot表示 N 类、每类 K 个标注支持样本。元训练与元测试的类别不重叠考察对未知故障的适应能力本文使用 1-shot、3-shot、5-shot。预处理将原信号随机分段每类取 500 个样本并使用全局 z-score 标准化。未采用数据增强以避免相邻片段冗余。输入是一维振动序列不是时频图。三、Atten-MoE怎样找到与新任务有关的特征论文 Figure 2Atten-MoE 的 Slot、Router、Experts 与融合路径不同故障与工况对特征的需求不同。本文引入Attention Mixture of ExpertsAtten-MoE让轻量级专家分别建模局部模式由注意力路由决定各专家贡献从而减少对任务无关特征的依赖。输入序列映射为 SlotRouter 产生注意力分数专家产生特征响应最后归一化融合。论文式8为其中 $A$ 是路由权重$V$ 是专家特征$N$ 是专家数量$\odot$ 为逐元素乘法。直观地看让专家分工再按输入动态选择重要响应。作者还加入局部均衡约束缓解专家偏向训练任务的问题。编码器还包含 1 × 1 卷积、BatchNorm、ReLU、MaxPool、后续 Conv1D、全连接层以及概率 0.5 的 Dropout。Atten-MoE 负责学习任务相关表示CKG-IMK 负责跨类别匹配两者分工不同。四、CKG-IMK从单一相似度走向跨类别一致性聚类4.1 为什么引入多个核单一特征距离难以刻画多种故障间的非线性和共享关系。作者借鉴 Multiple Kernel k-MeansMKKM对多个基础核自适应加权使不同视角的类别联系互补。论文式15将支持样本与查询样本的多核相似度表示为m 为核数量为第 r 个核函数为学习权重。通过数据确定哪些相似度更有价值而非固定单一度量。4.2 一致性聚类矩阵如何传递类别知识少样本任务只观察到部分类别与核关系单核聚类容易不稳定。CKG-IMK 为多个基础核学习共同的Consensus Clustering Matrix使不同核的结果相互校准。式12可简写为表示基础核矩阵为正交约束下的对齐映射为 Frobenius 范数。进一步的式16—17引入聚类中心一致性联合支持集、查询集与共识聚类算法交替优化核权重、映射及聚类中心。基础类别间的结构成为新任务的先验未知样本由多视角共识分类。“不完整”指少样本任务中只能部分观察到的类别核关系而非直接填补缺失的振动数据。理解重点是“多核互补—共识对齐—类别聚合”。五、实验结果少样本、早期微弱故障、噪声与效率5.1 两个数据集与实验设置论文 Table 1CWRU 故障类型、尺寸及采集条件CWRU 包含健康状态及滚动体BF、内圈IF、外圈OF故障尺寸为 0.0070.0140.021 英寸。作者以未知类别构造含健康状态的4-way元测试任务。论文 Table 3EMF-TM 的载荷、故障程度与标签设置论文 Figure 4–5EMF-TM 试验平台与十种轴承状态的振动波形EMF-TM 包含健康状态以及轻载LL0.2 A、中载ML0.5 A、重载HL0.8 A下三档损伤0.0050.2001.000共 10 类采样率 2.4 kHz。其中 0.005 是重点考察的早期微弱故障。训练采用 Adam、学习率 1e-4、100 次迭代、Batch Size 128GPU 为 GTX 3090与 KNN、DPDAN、CNN-MMD、MANN、UCPMnet、MAML、ProtoNet、MD-SN、RelationNet 等九种方法比较。5.2 CWRU未知故障类别能否可靠识别论文 Table 2CWRU 上 BF、IF、OF 三组 4-way 少样本对比论文 Figure 3CWRU 在 1-shot3-shot5-shot 下的诊断表现CWRU 的滚动体 BF任务中CKG 的 1-shot Accuracy 为93.02%低于 RelationNet 的95.16%但 3-shot 达99.09%超过 RelationNet 的96.95%。内圈 IF的 5-shot 为99.79%外圈 OF的 1-shot5-shot 为99.59%99.99%。总体优势明显但并非全部场景第一。5.3 EMF-TM能否分辨更接近健康状态的早期故障论文 Table 4EMF-TM 三种载荷下与九种方法的少样本对比论文 Figure 6轻载、中载、重载下的 1-shot3-shot5-shot 结果EMF-TM 上CKG 的轻载、中载、重载平均 Accuracy 分别为99.50%、99.49%、93.91%相应较强对照 MAML、RelationNet、MAML 的平均值分别为95.80%、98.27%、90.57%。高载荷任务更困难但 CKG 仍占优。需要注意重载 1-shot 为96.71%5-shot 为91.99%Shot 增加不保证准确率单调提升。5.4 噪声鲁棒性强干扰下的表现是否稳定论文 Table 5EMF-TM 在 −4 至 10 dB 信噪比条件下的比较在−4 dB时CKG 轻中重载 1-shot Accuracy 分别达99.37%99.18%94.59%整体抗噪表现较强。但重载−2 dB下MD-SN 为97.03%高于 CKG 的96.34%因此不能称其所有条件均最优。5.5 计算效率与模块对比论文 Table 6十种方法每秒处理样本量的效率比较CKG 约处理1,030,634 样本秒仅次于 CNN-MMD 的约1,088,193 样本秒而前者诊断准确率更高。该吞吐量不等于现场报警端到端时延。论文 Table 8Dense-MoE、Soft-MoE 与 Atten-MoE 的准确率、速度和内存对比Table 8 比较三种 MoEAtten-MoE轻中重载 1-shot 为99.42%99.55%96.71%均优于 Dense-MoE 与 Soft-MoE内存为10.22 M也是三者最低。速度为1.03 M samples/s快于 Dense-MoE0.83慢于 Soft-MoE1.09。优势是精度与资源的平衡并非速度最快。此表只比较 MoE 类型不能当成去掉 CKG-IMK 的完整消融。5.6 稳定性、特征可视化与现场案例论文 Table 7十次独立实验的 Accuracy、Precision、Recall、F1论文 Figure 7最差与最佳试验的混淆矩阵4-way 1-shot 下十次重复试验平均 Accuracy98.62%、平均 F198.34%最低 Accuracy95.81%。Figure 7 显示最好与最差试验仍有分类波动这证明重复试验的稳定性不等于长期工业可靠性。论文 Figure 8多种方法的 t-SNE 特征分布比较Figure 8 中CKG 在健康状态与三档重载故障间形成更紧凑、分界更清楚的特征簇。t-SNE 仅提供定性佐证仍须结合分类指标。论文 Figure 9类别知识引导故障诊断的工程执行流程论文 Figure 10风机齿轮箱轴承故障诊断案例平台作者展示了数据采集、分类、更新类别知识库的流程和风机齿轮箱现场案例。不过文中没有足够的长期部署精度或报警时延数据案例照片不能代替量化验证。六、总结与思考CKG 的关键是先借助 Atten-MoE 获得任务相关特征再由 CKG-IMK 将多核与多类别知识汇聚为一致聚类结构。这比只匹配少数支持样本更适合微弱故障与未知类别的共同挑战。证据链涵盖 CWRU 未见类别、EMF-TM 早期故障、噪声、吞吐量、MoE 对比、重复试验以及 t-SNE 和现场平台。优势显著但有边界个别 1-shot噪声设置并非第一Atten-MoE 也不是最快。作者明确指出超参数选择复杂会影响不同采样率、转速下的泛化未来计划自适应选参。进一步复现还应补充独立的 CKG-IMK 消融、跨转速评估与真实报警时延分别量化多核聚类与专家特征提取的作用。
