一种基于因果干预的少样本学习的故障诊断模型
一、研究背景与问题
- 工业背景：机械故障诊断对工业系统安全至关重要，但实际中故障样本稀少，难以训练传统深度学习模型。
- 现有问题：
- 当前少样本学习（FSL）方法大多基于相关性而非因果关系建模，容易学习到伪相关特征，导致模型可解释性差、泛化能力弱。
- 跨组件故障诊断更具挑战性：训练（源组件）与测试（目标组件）数据来自不同机械部件，分布差异大且类别不重叠。
二、提出方法：CIRNet（Causal Intervention Relation Network）
CIRNet 是一个融合元学习与因果干预的少样本故障诊断框架，主要包括三个模块：
1. 特征编码模块
- 使用一维卷积神经网络（1D-CNN）提取振动信号中的故障特征。
- 输出支持集和查询集样本的特征表示。
2. 因果干预模块
- 核心贡献：引入因果理论，识别并消除元训练阶段先验知识（D）作为