编辑推荐：
在旋转机械故障诊断中，现有少样本连续故障诊断（FSCFD）方法存在不足。研究人员提出紧凑稀疏原型校准网络（CSPCN）。经实验验证，该方法诊断性能优异，为旋转机械故障诊断提供了更有效的方案。
在现代工业体系里，旋转机械是极为关键的部分，就像工业生产这部庞大机器上的 “螺丝钉”，虽小却至关重要。它的稳定运行直接关系到生产制造流程能否顺利进行。可由于其工作环境恶劣，长期高强度运转，各种故障就像潜伏的 “小怪兽” 时不时冒出来，给生产带来安全隐患。所以，及时准确地诊断出旋转机械的故障，成为保障工业系统可靠性的 “金钥匙”。
随着科技发展，深度学习凭借强大的非线性建模能力，为机械故障诊断开辟了新道路，众多基于深度学习的智能诊断模型纷纷涌现。但这些模型大多在 “理想国” 里运行，假设训练时能获取所有故障类别的完整数据。然而现实很 “骨感”，工业生产中故障数据是随系统运行不断产生的，想提前收集到所有可能的故障数据，简直是天方夜谭。因此，如何让智能诊断模型在准确识别已有故障的同时，还能快速适应新故障模式，成了工程应用中亟待解决的难题。
在过去几年，基于类增量学习的智能故障诊断取得了一定进展，不过这些方法在面对样本有限的新故障类别时，容易出现过拟合，诊断效果大打折扣。少样本连续故障诊断（FSCFD）技术应运而生，可现有 FSCFD 方法在实际应用中也有 “短板”，它们往往忽视基础阶段丰富的特征信息，还难以精准描绘新故障类别的特征，导致新类别诊断能力不足。
为了解决这些棘手问题，研究人员开展了关于旋转机械少样本连续故障诊断的研究，提出了紧凑稀疏原型校准网络（CSPCN） 。这项研究成果发表在《Engineering Applications of Artificial Intelligence》上，为旋转机械故障诊断领域带来了新的希望。它有效提升了模型识别和分类新故障类别的能力，还保证了对已有故障诊断的准确性，对推动工业智能化发展意义重大。
研究人员在此次研究中，运用了两种主要关键技术方法。一方面，采用紧凑稀疏基础损失（CSBL），通过最大化基础原型间的方差分布，为新故障类别预留足够空间；另一方面，设计了增量原型校准分类器（IPCC），无需训练就能将新原型与加权基础原型整合，提高新类别的可区分性 。
研究结果
- 紧凑稀疏基础损失（CSBL）的作用：CSBL 通过独特的设计，最大化基础原型间的方差分布，就像为新故障类别在 “特征空间” 里预留了宽敞的 “房间”，让模型在遇到新故障时，有足够的空间去学习和识别，为后续准确诊断新故障奠定了基础。
- 增量原型校准分类器（IPCC）的优势：IPCC 巧妙地将新原型与加权基础原型实时整合，有效避免了新原型的偏差问题，增强了模型对新类别的判别能力。这就好比给模型配备了一副 “精准眼镜”，让它在面对复杂的新故障类别时，也能清晰分辨，提高诊断的准确性。
- 综合诊断性能验证：研究人员在地铁列车转向架和变速条件下的齿轮箱系统数据集上进行了大量实验。结果显示，CSPCN 在新故障类型的诊断上表现卓越。与当前先进的 FSCFD 诊断方法多维对比后发现，CSPCN 能更有效地识别和区分新故障类别。同时，通过严谨的消融实验，也验证了 CSPCN 各个组成部分的有效性，证明了这一网络设计的科学性和合理性。
研究结论与讨论
研究提出的 CSPCN 成功应对了少样本连续学习（FSCIL）在故障诊断场景中的挑战。它打破了传统 FSCFD 方法的局限，不再忽视基础阶段的特征信息，大大提升了模型对新故障类别的诊断能力。在保留对已学类别诊断准确性的同时，增强了模型的可塑性，让其能更好地适应复杂多变的故障情况。
这一研究成果意义非凡。从工业生产角度看，它为旋转机械故障诊断提供了更精准、高效的方法，能及时发现潜在故障，减少设备停机时间，降低生产成本，保障生产安全；从学术研究角度，CSPCN 的提出为少样本连续故障诊断领域开辟了新方向，为后续研究提供了新思路和方法借鉴，推动相关领域不断发展进步。
