Metric-based meta-learning model for few-shot fault diagnosis under multiple limited data conditions

Wang D, Zhang M, Xu Y, et al. Metric-based meta-learning model for few-shot fault diagnosis under multiple limited data conditions[J]. Mechanical Systems and Signal Processing, 2021, 155: 107510

论文链接：Metric-based-meta-learning-model-for-few-shot-faul_2021_Mechanical-Systems-a.pdf

摘要：随着信息和传感器技术的发展，现实世界的大型工业数据变得逐渐丰富，基于数据驱动的故障诊断技术得到了蓬勃的发展和应用。这些先进的方法依赖于每种故障类型有足够的标记样本可用。然而，在一些实际情况下，收集足够的数据是极其困难的，例如，当突然发生灾难性故障，在系统关闭之前只能获得少量的样本。这种现象导致了要在非常有限的数据条件下准确区分故障属性的少量故障诊断。在本文中，我们提出了一种新的方法，称为基于特征空间度量的元学习模型(FSM3)，将监督学习和情节度量元学习相结合，利用单个样本的属性信息和来自样本组的相似性信息以克服在多种有限数据条件下的故障诊断。实验结果表明，在各种少样本条件下，我们的方法在轴承和齿轮箱故障诊断的1样本和5样本学习任务上优于一系列基准方法。通过实验结果表明，该方法具有较高的可行性。

方法：基于这些分析，我们提出了一种新的基于特征空间度量的元学习模型(FSM3 ),依靠学习源域可用的转移知识克服目标域小样本学习问题，可用于多种有限数据条件下的故障诊断。

    方法基于两个流行基于度量的元学习模型，即匹配网络(MN)和原型网络(PN)，然而，仅仅基于度量的训练会使模型只关注来自样本组的相对相似性信息，因此每个特定类别的属性信息被忽略，这意味着所提供的标记源数据没有被充分利用。

怎么解决所提供的标记源数据没有被充分利用？