通过保持类无关知识实现的少样本类别增量故障诊断：双粒度表示
机器学习
2025-12-16 v5 人工智能
摘要
少样本类别增量故障诊断（FSC-FD）旨在仅凭少量样本即可持续学习新故障类别而不遗忘旧故障，这一任务对于现实工业系统至关重要。然而，这一具有挑战性的任务会放大不可避免遗忘旧知识和对稀缺新数据过拟合的问题。为此，本文提出了一种基于双粒度表示的新型框架，称为双粒度指导网络（DGGN）。我们的DGGN显式地将特征学习解耦为两个平行流：1）细粒度表示流，利用 novel 多阶交互聚合模块从有限的新样本中捕获判别性、类别特定特征。2）粗粒度表示流，旨在建模和保留跨所有故障类型的通用、类无关知识。这两种表示通过多语义跨注意力机制动态融合，其中稳定的粗粒度知识指导细粒度特征的学习，防止过拟合并缓解特征冲突。为进一步减轻不可避免遗忘，我们设计了边界感知示例优先级策略。此外，采用解耦的平衡随机森林分类器来抵消数据不平衡导致的决策边界偏差。在TAEP基准和真实世界MFF数据集上的大量实验表明，我们提出的DGGN在诊断性能和稳定性方面优于当前最先进的FSC-FD方法。我们的代码已公开于 https://github.com/MentaY/DGGN。
引用
@article{arxiv.2508.16634,
title = {Few-shot Class-incremental Fault Diagnosis by Preserving Class-Agnostic Knowledge with Dual-Granularity Representations},
author = {Zhendong Yang and Jie Wang and Liansong Zong and Xiaorong Liu and Quan Qian and Shiqian Chen},
journal= {arXiv preprint arXiv:2508.16634},
year = {2025}
}
备注
This manuscript is currently under review at the Engineering Applications of Artificial Intelligence