一种基于因果干预的少样本学习的故障诊断模型

一、研究背景与问题

• ​工业背景​：机械故障诊断对工业系统安全至关重要，但实际中故障样本稀少，难以训练传统深度学习模型。
• ​现有问题​：
  • 当前少样本学习（FSL）方法大多基于相关性而非因果关系建模，容易学习到伪相关特征，导致模型可解释性差、泛化能力弱。
  • 跨组件故障诊断更具挑战性：训练（源组件）与测试（目标组件）数据来自不同机械部件，分布差异大且类别不重叠。

二、提出方法：CIRNet（Causal Intervention Relation Network）

CIRNet 是一个融合元学习与因果干预的少样本故障诊断框架，主要包括三个模块：

1. ​特征编码模块​

• 使用一维卷积神经网络（1D-CNN）提取振动信号中的故障特征。
• 输出支持集和查询集样本的特征表示。

2. ​因果干预模块​

• ​核心贡献​：引入因果理论，识别并消除元训练阶段先验知识（D）作为