基于多周期学习的双向数字孪生型原型锚定用于零样本故障诊断
人工智能
2026-03-10 v1 信号处理
摘要
智能故障诊断(IFD)已成为确保工业机械安全可靠性的强大范式。然而，传统IFD方法依赖大量标记数据进行训练，而在实际工业环境中这些数据往往难以获取。因此，构建物理资产的数字孪生(DT)以获取仿真数据已成为有前景的替代方案。然而，现有DT辅助诊断方法主要通过域适应技术传递诊断知识，仍需从目标资产获取大量未标记数据。为了解决在仅有极少数样本可用的零样本场景中的挑战，提出一种结合多周期学习的双向DT原型锚定方法。具体而言，构建了一个在DT虚拟空间中的元训练和在物理空间中的测试时适应框架，用于针对目标资产进行可靠的零样本模型适应。进一步发展了一种针对适应的双向 twin-域原型锚定策略，结合协方差引导的增强，以提高原型估计的鲁棒性。此外，设计了一个多周期特征学习模块，用于捕获当前信号中的内在周期特征。基于有限元方法构建了一个异步电机的数字孪生，并在多种零样本设置下进行实验，涵盖三个工作条件。比较和消融研究表明，所提方法在零样本故障诊断方面具有优势和有效性。
引用
@article{arxiv.2603.07054,
title = {Bi-directional digital twin prototype anchoring with multi-periodicity learning for few-shot fault diagnosis},
author = {Pengcheng Xia and Zhichao Dong and Yixiang Huang and Chengjin Qin and Qun Chao and Chengliang Liu},
journal= {arXiv preprint arXiv:2603.07054},
year = {2026}
}
备注
19 pages, 13 figures