据2024年5月最新数据显示，我院CIMS研究中心博士生汪韩联合华中科技大学数字制造装备与技术国家重点实验室沈卫明教授团队，于2023年发表在IEEE Transactions on Industrial Informatics期刊上的论文“Few-shot learning for fault diagnosis with a dual graph neural network”（https://doi.org/10.1109/TII.2022.3205373）被ESI数据库遴选为高被引论文，目前已受到来自上海交通大学、中南大学、浙江大学、西安交通大学、英国伦敦国王学院等课题组研究人员的广泛关注和引用。

ESI检索页面

在实际工业场景中，旋转机器通常在正常条件下工作，很少发生故障，因此能采集到的故障数据很少。传统深度学习方法在数据量较小的工业故障诊断中无法保持其优势。论文提出了双图神经网络（DGNNet）用于解决小样本故障诊断问题，核心思路是通过实例图学习所有样本的实例特征以及样本之间的实例级关系，通过分布图学习分布式特征和分布级关系。通过在实例图和分布图之间的交替更新策略将极少量有标注样本的标签信息传播给无标注数据，从而解决半监督故障诊断任务。DGNNet引入图神经网络学习样本之间的多阶关系，通过实例图和分布图的交替更新，实现了在极少量有标注数据和无标注数据之间的标签传播。该方法在监督和半监督故障诊断场景中均取得了较好的表现。基于该技术，可以在识别未见过的故障类别上进一步拓展研究，并加强其在跨领域问题上的泛化性和鲁棒性。（文/图 刘敏）

 双图神经网络的总体框架（无标注样本仅用于半监督小样本故障诊断）