用于小样本故障增量学习的多视图 Shapelet 原型网络

1. 问题背景与定义

论文首先指出，工业过程因动态环境和操作变化而不断涌现少样本新故障，这给现有故障诊断方法带来了挑战。传统方法需要大量训练数据且假设所有故障类别已知，但在实际中，新故障样本少，重新训练模型会导致高计算成本或灾难性遗忘问题。因此，论文定义了少样本故障增量学习（FSFIL）​​ 问题：如何基于基础模型，在少量新故障样本上微调模型，使其能增量诊断新故障而不遗忘旧故障。

FSFIL的任务设置如图1所示：任务按阶段到达，基础任务（如任务0）有充足样本，后续任务（如任务1、2等）则样本有限（如W-way O-shot格式）。模型在每个任务学习后，需在所有已见故障类别上进行评估。

2. 方法概述

论文提出了一种多视角形状原型网络（MSPN）​​ 来解决FSFIL问题。MSPN的核心思想是通过元学习框架模拟增量任务，结合多视角信息构建可泛化的特征空间。方法主要包括三个部分：

• ​多视角形状原型分类器​：利用不同长度的形状子（shapelet）作为多视角，将样本嵌入到基于形状子的特征空间，并使用原型分类器增强泛化能力。

• ​多视角元校准模块​：基于Transformer融合多视角信息，并校准旧类原型和新类特征到可区分