DGNNet：基于双图神经网络的少样本故障诊断学习模型
题目：Few-Shot Learning for Fault Diagnosis With a Dual Graph Neural Network
1. 研究背景与问题（对应论文I. INTRODUCTION）
- 核心问题：机械故障诊断对智能制造设备的运行安全至关重要。传统基于深度学习的故障诊断方法（如CNN、自编码器）需要大量标记数据来训练模型，但在实际工业场景中，故障数据稀缺（因为设备通常在正常状态下运行），导致这些方法性能下降。
- 现有方法局限性：现有小样本学习（FSL）方法（如Siamese网络）忽略了样本间的关系（如实例级成对关系和分布级高阶关系），限制了故障诊断的准确性。
- 研究动机：提出一种新的FSL方法（DGNNet），通过双图神经网络整合多级关系（实例级和分布级），解决数据稀缺问题，提升诊断性能。
- 关键挑战：如何在少量标记样本下有效学习样本间关系，并推广到未标记样本的故障识别。