基于属性描述转移的高压断路器零样本智能诊断模型
论文标题： 基于属性描述转移的高压断路器零样本智能诊断模型 (An Attribute Description Transfer Based Model for Zero-Shot Intelligent Diagnosis of High-Voltage Circuit Breakers)
核心问题：
高压断路器（HVCB）是电力系统的关键设备，其可靠运行至关重要。然而，现有的基于数据的故障诊断方法（如深度学习）需要大量已标记的故障样本进行训练。这在现实中面临两大挑战：
-
故障数据稀缺： HVCB 主要工作在正常状态，故障发生罕见。
-
新故障类型不断出现： HVCB 结构复杂，可能产生多种多样的、训练阶段未见过（unseen）的新故障类型。
传统的迁移学习方法虽然能缓解数据稀缺问题，但要求源域和目标域的故障标签必须相同，这在面对全新故障类型时难以满足。
解决方案：
作者提出了一种名为 ADT-ZSID (Attribute Description Transfer based Zero-Shot Intelligent Diagnosis) 的新模型，旨在解决 零样本学习（Zero-Shot Learning, ZSL） 问题，即利用已知（seen）故障类型的样本训练模型，来诊断从未见过的（unseen）故障类型，而无需后