基于一种域差异引导的对比特征学习的小样本故障诊断方法
论文核心问题：
工业故障诊断面临两大关键挑战：
-
样本稀缺性 (Few-Shot)： 工业场景中机器故障发生频率低，可收集的故障数据量极其有限，难以训练泛化能力强的智能诊断模型。
-
工况可变性 (Variable Working Conditions)： 机器常在变转速、变负载等不同工况下运行，导致即使是同一故障类型的数据分布也存在显著差异（如图1所示）。现有诊断模型在处理分布一致的数据时表现较好，但在变工况场景下效果不佳。
现有方法及其局限性：
-
少样本诊断：
-
数据增强 (Data Augmentation)： 使用GANs、VAEs等生成模型扩充数据集。缺点：计算资源消耗大，生成模型训练困难。
-
模型优化 (Model Optimization)： 通过正则化、集成网络等方式减少小样本下的过拟合风险。缺点：小样本下难以在大假设空间中找到最优解。
<
-