《Neural Networks》：Bio-Inspired Zero-Shot Learning with Hierarchical Fault-Trait Knowledge Transfer for Cross-Domain Diagnosis
编辑推荐：
摘要复杂机械系统的故障诊断方法通常面临适应未知故障类型和变化工作条件的挑战。现有方法往往存在跨域适应性有限和零样本识别能力薄弱的问题。为克服这些局限，本文提出了一种仿生零样本学习框架，该框架融合了分层故障特征知识迁移与域适应技术。通过设计仿生网络来量化域间差异并生成可迁移的域
摘要
复杂机械系统的故障诊断方法通常面临适应未知故障类型和变化工作条件的挑战。现有方法往往存在跨域适应性有限和零样本识别能力薄弱的问题。为克服这些局限，本文提出了一种仿生零样本学习框架，该框架融合了分层故障特征知识迁移与域适应技术。通过设计仿生网络来量化域间差异并生成可迁移的域因子，同时借助受从通用到专项特征分化过程启发的分层故障特征描述框架实现知识传递。该方法能够仅利用源域的标注数据实现此前未见过的故障类型诊断。本文以断路器诊断为案例验证了该方法的有效性，展示了其在断路器诊断中的应用效果及其对其他机械系统的潜在适用性。
引言
复杂机械和机电系统中的故障诊断对于确保设备可靠性和维持系统稳定运行具有重要作用。然而，现实工业环境中往往存在多样化的故障表现、变化的工作条件以及设备和域之间的显著分布差异。这些因素使得现有基于数据的诊断模型高度依赖大量标注训练样本，并限制了其向未见故障类别或陌生工作域泛化的能力。
此外，实际场景中的故障数据往往稀缺、标注成本高，在某些条件下甚至不可获得。从不同工作环境、设备型号或采集方式收集的数据也可能表现出显著的分布差异，导致在一个域中训练的模型应用于另一域时诊断性能下降。在许多工业系统中，可能会出现新的或此前未观测到的故障类型，这进一步挑战了传统故障诊断框架的鲁棒性和适应性。
为解决数据稀缺和域偏移问题，迁移学习已被广泛应用于跨域故障诊断（Tian 等，2025，Wang 等，2025，Zhong 等，2025）。基于域对齐（Duan 等，2025，Liu，2025，Hu 等，2025，Chen 等，2025）、不变特征提取（Y?lmaz 和 Bekemeyer，2026，Ma 等，2026，Wang 等，2025）以及知识迁移（Wang 等，2025，Wu 等，2025，Dreven 等，2025，Ren 等，2025）的方法在增强跨域泛化能力方面展现了潜力。然而，迁移学习通常假设目标域中出现的所有类别在源域中都存在。当遇到零样本场景——即目标域的故障类型在源域中不存在时——传统迁移学习可能无法建立可靠的类别映射，从而失去诊断有效性。
零样本学习（ZSL）（Yue 等，2025，Cai 等，2025，Hou 等，2025，Fan 等，2023，Wu 和 Xia，2025）已成为应对这一挑战的有效解决方案，它通过利用语义关系或辅助知识来实现对未见类别的识别。近期研究探索了语义构建（Cheng 等，2026，Shi 等，2026，Wu 等，2026）、属性嵌入（He 等，2025，Qaid 等，2026）以及对比知识引导表示（Li 等，2026，Yang 等，Wang 等，2026）来提升零样本诊断性能。然而，域间差异、环境变化和特征语义不一致性仍然阻碍了基于零样本学习的诊断模型的稳定性，特别是在跨域应用中。
为应对这些挑战，本文提出了一种仿生零样本学习框架，该框架集成了分层故障特征知识迁移与域自适应校正。该方法旨在在目标域标注样本有限甚至完全缺失的情况下，同时增强跨域适应性和零样本识别能力。本研究的主要贡献总结如下：
- •
提出了一种基于域自适应校正和分层故障特征知识迁移的跨域零样本诊断框架，能够仅使用源域标注样本识别域内及跨域中的未见故障类别。
- •
设计了一种仿生交叉连接网络（CLN），用于将多域数据映射到共享潜在空间，提取域校正因子以量化分布差异，并应用融合滤波机制以缓解域偏移。
- •
通过整合专家知识和故障机理构建了分层故障特征描述框架，促进了从特征到故障特征的灵活映射，并推动了跨类别和跨域的语义知识迁移。
本研究以断路器为典型案例，验证了该方法在跨域和零样本条件下的有效性。本文结构如下：第2节综述相关工作。第3节介绍跨域零样本诊断的概念及方法构建的相关工作。第4节详细描述所提方法的原理、实施过程及其他方面。第5节展示实验结果和对比分析，第6节对全文进行总结。
章节片段
基于迁移学习的跨域故障诊断
由于设备、工作条件和数据采集环境差异引起的分布差异，使跨域故障诊断成为近年来智能运维领域的重要研究方向。迁移学习和域适应技术已被广泛采用，以缓解源域和目标域之间的分布偏移，从而提升故障诊断模型在未见工作条件下的泛化能力。
预备知识
跨域零样本故障诊断旨在解决模型泛化能力有限和新型故障类型识别的挑战，这些挑战源于域间分布偏移和标注数据短缺。来自不同域的机械系统数据表示为 和 ，其中 xi 和 xj 分别表示源域和目标域中的故障类别。受制造商、运行环境和型号等因素影响，S
方法论
本文提出的基于仿生零样本学习（BIZSL）的跨域零样本故障诊断方法包括四个关键过程：域因子提取、融合滤波、分层故障特征学习和基于特征的跨域诊断。该方法的总体工作流程如图1所示。
所提方法的详细结构如下：
- (1)
构建具有基因灵感双螺旋结构的交叉连接网络（CLN）。该网络模拟互补配对
实验结果与分析
为验证所提方法的有效性和泛化能力，我们使用MATLAB深度学习工具箱进行代码实现。实验计算机硬件配置为AMD CPU R7 6800H、GeForce RTX 3060Ti显卡和16GB内存。
结论
本文提出了一种基于分层故障特征知识迁移和域适应的仿生零样本学习跨域故障诊断框架。所提方法将零样本学习与迁移学习相结合，在目标域标注数据有限或不可用的情况下增强模型泛化能力。设计了仿生交叉连接网络来提取量化域间分布差异的域因子，同时采用自适应融合滤波
CRediT作者声明
杨启宇： 概念化、方法论、形式分析、数据整理、撰写—初稿、撰写—审阅与编辑、监督、项目管理、资金获取。林宇怡： 软件、验证、撰写—初稿、撰写—审阅与编辑、可视化。阮江军： 概念化、资金获取。韩云： 概念化、验证。谢锦怡： 验证、撰写—审阅与编辑。薛雪： 验证、撰写—审阅与编辑。
CRediT作者贡献声明
杨启宇： 撰写—审阅与编辑、撰写—初稿、监督、项目管理、方法论、资金获取、形式分析、数据整理、概念化。林宇怡： 撰写—审阅与编辑、撰写—初稿、可视化、验证、软件。阮江军： 资金获取、概念化。韩云： 验证、概念化。谢锦怡： 撰写—审阅与编辑、验证。薛雪： 撰写—审阅与编辑、验证。
利益冲突声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
致谢
本工作部分受国家自然科学基金委员会—国家电网有限公司智能电网联合基金（批准号 U2066217）资助，以及福建省自然科学基金（批准号 2021J05225 和 2025J01377）资助。
杨启宇|林宇怡|阮江军|韩云|谢锦怡|薛雪
