Few-shot fault diagnosis based on multi-scale graph convolution filtering for industry

工业设备故障诊断常常面临着故障数据稀缺、操作条件复杂和故障类型多样等挑战。在这些情况下，信号分析、数据统计学习和传统的深度学习技术都面临着数据需求大和需要进行转移学习以适应新的故障模式等限制。为了在有限的样本条件下有效利用信息并提取不同领域中故障的内在特征，本文介绍了一种采用多尺度图卷积滤波（MSGCF）的故障诊断方法。MSGCF通过在图卷积滤波块中集成局部和全局信息融合模块，增强了传统图神经网络（GNN）框架。这种进步有效地缓解了图卷积层过度分层时出现的过度平滑问题，同时保留了广泛的接受域。它还减少了少样本诊断中过拟合的风险，从而增强了模型的表征能力。对帕德博恩大学轴承数据集（PU）的实验表明，本文提出的MSGCF方法在准确性方面超过了其他方法，因此为少样本学习场景下的工业故障诊断提供了有价值的见解。

本论文旨在解决工业设备故障诊断中数据稀缺、操作条件复杂和多种故障类型的挑战。同时，试图提出一种新的方法来增强图神经网络的表示能力。

本论文提出了一种多尺度图卷积滤波的方法，将局部和全局信息融合到图卷积滤波器块中，以有效地缓解图卷积层过度堆叠的过度平滑问题，同时保留广泛的感受野。这种方法还减少了少样本诊断中过拟合的风险，从而增强了模型的表示能力。

本论文的实验表明，所提出的多尺度图卷积滤波方法在准确性方面优于替代方法，从而为工业故障诊断在少样本学习场景下提供了有价值的见解。

最近的相关研究包括使用图卷积网络进行故障诊断的其他方法，如基于时空图卷积网络的方法，以及使用元学习等技术来解决少样本学习问题的方法。