Neues Dual-Granularitäts-Netzwerk verbessert Fehlersuche bei wenigen Beispielen

In der Industrie ist die kontinuierliche Erkennung neuer Fehlertypen mit nur wenigen Proben entscheidend. Ein neues Verfahren namens Few‑Shot Class‑Incremental Fault Diagnosis (FSC‑FD) adressiert dieses Problem, indem es gleichzeitig neues Wissen erwirbt und bereits vorhandene Informationen bewahrt.

Das vorgestellte Dual‑Granularity Guidance Network (DGGN) trennt das Feature‑Learning in zwei parallele Ströme. Der feinkörnige Stream nutzt ein innovatives Multi‑Order Interaction Aggregation‑Modul, um aus den wenigen neuen Proben differenzierende, klassen­spezifische Merkmale zu extrahieren. Der grobkörnige Stream hingegen speichert allgemeines, klassen­agnostisches Wissen, das über alle Fehlertypen hinweg gemeinsam ist.

Durch eine mehrsemantische Cross‑Attention‑Fusion wird das stabile, grobkörnige Wissen genutzt, um die feinkörnigen Merkmale zu steuern. Dies verhindert Überanpassung an die knappen neuen Daten und reduziert Konflikte zwischen den Feature‑Sätzen. Zusätzlich wird eine Boundary‑Aware Exemplar‑Priorisierung eingesetzt, um das Catastrophic‑Forgetting zu minimieren, während ein decoupled Balanced Random Forest Klassifikator die Verzerrung an der Entscheidungsgrenze bei unausgeglichenen Daten korrigiert.

Umfangreiche Tests auf dem TEP‑Benchmark sowie einem realen MFF‑Datensatz zeigen, dass das DGGN die diagnostische Genauigkeit deutlich steigert und die Stabilität bei inkrementellen Lernschritten verbessert. Das neue Modell bietet damit einen vielversprechenden Ansatz für robuste, datenknappe Fehlersysteme in der Industrie.