一种基于迁移学习的零样本故障诊断方法
核心问题： 零样本故障诊断（ZSFD）旨在诊断从未在训练中出现过的故障类型（目标域），仅利用其他相关但不重叠的故障类型（源域）的知识。现有方法存在三个主要局限：
- 依赖专家知识进行故障属性标注： 费时费力，且对新故障可能缺乏先验信息。
- 单一投影空间进行特征提取： 导致提取的特征次优，影响诊断精度。
- 忽视目标域数据的类内/类间信息： 现有方法主要关注源域信息，未充分利用无标签目标域数据的内在结构。
提出方法： 为了解决上述问题，作者提出了一种新颖的基于迁移学习的ZSFD方法，包含三个关键创新点：
- 共享知识词典 (Shared Knowledge Dictionary)：
- 从带标签的源域数据中自动学习一个共享的知识词典。
- 将该词典迁移到目标域，用于目标数据的特征学习。
- 优势： 显著减少对人工定义故障属性描述的依赖，使其能应用于更多故障类型。
- 多类空间投影模型 (Multiclass Space Projection Model)：
- 为每个故障类别分配不同的投影空间（一个类别对应一个空间）。
- 在投影前进行类别分配，避免不同类别在投影过程中的相互妥协。
- 优势： 最大化挖掘数据固有的判别性特征，获得最优特征表示，提升诊断精度。 <