近年来，随着工业设备复杂性和运行强度不断增加，机械设备故障诊断的重要性日益凸显。尤其在航空、能源和制造等领域，如何通过有限的数据快速准确地诊断关键部件（如轴承）的故障，成为保障设备可靠性和安全性的核心问题。

近日，中国科学院沈阳自动化研究所智能检测与装备科研团队提出了一种轻量化域融合网络，用于增强少样本学习下的故障诊断能力。

网络结构示意图

该网络架构分别处理振动信号的时间域、频率域和统计特征，并通过改进的通道注意力机制实现多传感器数据融合。此外，科研团队还提出了两种与模型无关的少样本学习增强策略，即优化采样间隔以减少样本差异，以及通过正则化损失函数最大化类间分离。这些方法可有效提升模型在少量样本条件下的诊断精度。

少样本下特征分布优化方法

实验结果表明，新方法在两个公开数据集上的表现均优于现有技术，尤其是在每个故障仅提供1至5个样本的情况下，其诊断准确性显著高于其他方法，同时计算速度更快。该成果不仅为实际工业场景中的少样本故障诊断提供了一种高效解决方案，也为资源受限环境下的实时诊断系统部署奠定了基础。

该研究成果以A Lightweight Triple-Stream Network With Multisensor Fusion for Enhanced Few-Shot Learning Fault Diagnosis为题发表于国际期刊IEEE Transactions on Reliability。沈阳自动化所博士生彭浩天为该论文第一作者，王伟研究员、杜劲松研究员为本文通讯作者。该研究得到了国家自然科学基金项目、辽宁省应用基础研究计划和辽宁省自然科学基金项目的支持。（智能检测与装备研究室）

论文链接:https://doi.org/10.1109/TR.2025.3540500