任务自适应元学习器

跨域故障诊断

针对小样本跨域故障诊断，提出一种集结构化丢弃特征提取、任务自适应衰减和任务无偏正则化损失于一体的元学习方法，有效缓解任务冲突与偏差，提高模型对新任务的泛化能力。

王华庆 · Dongrui, Lv · 林天骄 · Han, Changkun · 宋浏阳

Engineering Applications of Artificial Intelligence 2025

参数信息

诊断准确率

92.52 %

诊断准确率

96.44 %

诊断准确率

99.26 %

技术优势

缓解任务冲突

通过任务自适应衰减模块动态调整初始化参数，优化元内循环学习策略，解决新旧任务间的冲突。

抑制任务偏差

提出的任务无偏正则化损失利用预提取的任务无偏先验约束参数更新，防止模型对已有任务过拟合。

应用场景

• 工业设备故障诊断：用少量样本快速适配新设备，实现高精度故障诊断。
• 旋转机械健康监测：在轴承、齿轮等旋转部件的健康监测中提升跨工况泛化能力。
• 物联网预测性维护：为物联网设备提供边端部署的小样本故障诊断模型，减少人工标注。
• 风力发电机状态监测：在小样本条件下获得高精度风电机组故障诊断结果。
• 轨道交通故障诊断：在轨道交通数据集上达到99.26%的诊断准确率，适合安全关键场景。