该研究针对工业设备故障诊断中存在的样本稀缺与噪声干扰两大核心难题，提出了一套融合物理先验知识与深度学习技术的创新解决方案。研究团队通过系统分析滚动轴承故障信号的物理生成机制，结合经典信号处理理论，在神经网络架构层面实现了突破性创新，最终构建出具备高解释性、强鲁棒性和低数据依赖性的智能诊断模型。
在故障特征提取环节，研究团队创造性性地将有限冲激响应（FIR）滤波器技术与二次神经元结构相结合。传统二次神经元（QN）通过双通道内积运算实现非线性特征提取，而本研究所设计的智能二次神经元（IQN）在核心计算单元中嵌入定制化FIR滤波核。这种设计既保留了经典信号处理方法对特征频率成分的敏感性，又通过神经网络的自适应学习能力实现了对噪声的动态抑制。特别值得注意的是，FIR滤波核的参数设置严格遵循采样频率与故障特征频率的物理对应关系，确保特征提取过程符合实际机械系统的运行规律。
模型架构方面，研究团队在残差神经网络（ResNet）框架基础上进行深度优化，提出信息驱动的二次神经元残差网络（IQNRNN）。该网络通过三个关键创新点显著提升诊断能力：首先，在特征提取层采用IQN替代传统神经元，形成独特的"物理先验-深度学习"双引擎驱动架构；其次，引入跨层残差连接机制，有效缓解梯度消失问题；最后，设计多尺度注意力模块，实现对时频域特征的全局联合优化。这种架构创新使得模型在仅训练30组样本的情况下，就能达到传统方法在500组样本训练下的表现水平。
知识引导机制是研究的核心突破之一。研究团队通过引入Gini指数构建知识引导损失函数（KIL），开创性地将经济学中的收入分配不平等度量指标转化为机器学习中的特征重要性评估工具。该函数通过量化特征分布的不均衡性，动态调整各通道的权重系数，有效解决了传统方法中特征选择性不足的问题。实验数据显示，在仅包含15组标注样本的情况下，该损失函数使模型特征提取准确率提升42.7%。
物理机制建模方面，研究团队深入分析了滚动轴承故障的物理生成机理。通过建立故障特征频率与实际运行参数（转速、采样率、负载系数）之间的动态映射关系，创新性地设计了可变参数的FIR滤波核。该滤波核不仅能够有效滤除50Hz工频干扰，还能根据设备运行状态自动调整截止频率，使得在非标准工况下仍能保持98%以上的故障特征提取准确率。
实验验证部分采用公开数据集（CWRU、XYL）和自建工业数据集（SUDA）进行对比测试。研究团队特别设置了三个对比实验组：传统数据增强组、单纯迁移学习组以及本研究的双任务学习组。在样本量从5组逐步增加到30组的过程中，本模型展现出持续优于其他方法的性能曲线。特别是在样本量为10组和15组的关键测试节点，诊断准确率分别达到89.2%和93.5%，而传统方法在相同样本量下准确率不足75%。
模型解释性方面，研究团队开发了可视化特征热力图系统。通过追踪Gini指数损失函数对特征通道的动态调整过程，能够清晰展示模型如何自动识别关键故障频率成分。实验证明，该系统的可解释性评分（Explainability Score）达到4.8/5.0，显著高于现有基于注意力机制的模型（平均3.2分）。这种透明化的诊断过程对工业现场的技术人员具有重要参考价值。
工业应用测试环节模拟了真实的设备运行环境，包括温度波动（-20℃至60℃）、振动幅度变化（±5g）以及非稳态负载（0-100%额定负载）。在极端工况下，本模型的平均诊断延迟仅1.2秒，误报率控制在0.8%以下，完全满足实时诊断需求。更值得关注的是，模型在跨设备迁移测试中表现出优秀的泛化能力，当应用于从未接触过的设备类型时，仅需额外5组样本训练即可达到90%以上的识别准确率。
研究团队还特别构建了双任务学习框架，将主诊断任务与知识预训练任务进行协同优化。主网络负责故障特征提取，副网络则专注于物理先验知识的内化。这种设计使得模型在训练过程中能够自动平衡数据驱动与知识引导的关系，当样本量不足时，知识预训练模块的贡献率可提升至65%，显著降低对标注数据的依赖。
针对现有研究存在的局限性，本文提出四大创新解决方案：1）物理驱动型神经元架构，将信号处理理论与神经网络深度融合；2）动态可调的FIR滤波核设计，适应不同工况下的频率偏移；3）基于Gini指数的特征重要性评估体系，实现知识引导的动态优化；4）双通道残差连接机制，有效缓解梯度消失问题。这些创新共同构建了面向少样本场景的智能诊断技术新范式。
研究团队在方法论层面实现了三重突破：首先，建立了"故障机理-信号特征-模型架构"的完整映射链条，确保每个诊断决策都有明确的物理依据；其次，开发了自适应知识融合算法，可根据设备运行状态动态调整知识引导强度；最后，构建了多维度评估体系，从诊断精度、计算效率、可解释性三个维度全面验证模型性能。
在工程应用方面，研究团队开发了轻量化边缘计算设备，可在工业场景中实现实时诊断。测试数据显示，在单核处理器（2.4GHz主频）环境下，模型每秒处理3.2万条振动信号，内存占用低于120MB，完全满足工业物联网设备的部署要求。特别设计的冗余校验机制将误诊风险降低至0.05%以下，显著优于行业平均水平。
该研究的社会经济效益体现在多个层面：通过减少人工标注数据量达80%，每年可为制造业节约数亿元的数据采集成本；诊断准确率提升至95%以上，使设备停机时间减少60%；可视化诊断报告系统使技术团队排查效率提升3倍，每年可减少约2000小时的无效调试时间。研究团队已与3家装备制造企业达成合作意向，相关技术正在申报国家发明专利。
未来研究方向主要聚焦于：1）动态知识更新机制，实现模型在长期运行中的自适应进化；2）多物理场耦合诊断，将振动信号与温度、电流等多维度数据融合分析；3）联邦学习框架下的分布式诊断系统，满足工业互联网的隐私保护需求。研究团队计划在2026年完成工业级诊断平台的开发，并启动与设备制造商的联合验证项目。
该研究成果标志着智能诊断技术从"数据驱动"向"物理+数据双驱动"时代的跨越式发展。通过将经典的信号处理理论深度融入神经网络架构，既解决了少样本学习中的泛化难题，又确保了诊断过程的物理可解释性，为工业设备智能化运维提供了可靠的技术支撑。研究提出的双任务学习框架和知识引导损失函数，已形成具有自主知识产权的技术体系，相关专利正在申请中。
