在工業生產中，設備的穩定運行至關重要。然而，現有的故障診斷方法卻面臨著諸多挑戰。以往大多數故障診斷研究都依賴于在實驗室收集的人工數據，這些數據采集時的運行條件可控且穩定。但實際工業場景中的故障復雜多樣，實驗室數據根本無法涵蓋所有可能的故障模式，這就導致傳統的故障診斷方法在實際應用中效果不佳。比如，在不同的工業設備上，即使是同一種類型的故障，其表現出來的特征也可能大相徑庭。而且，實際工況中的干擾因素眾多，使得故障診斷更加困難。因此，尋找一種能夠適應復雜實際工況的故障診斷方法迫在眉睫。

1. 語義融合嵌入技術：通過定義故障語義，將故障的特征進行量化表示。利用神經網絡將語義向量和時頻特征向量融合，形成嵌入語義融合向量，增強了特征學習的跨域表示能力和適應性。
2. 基于神經網絡的度量模塊：采用神經網絡來測量語義向量與局部 / 全局特征之間的距離，取代了傳統的距離測量方法。這種方式能夠更準確地衡量向量之間的相似性，提高了模型的跨域傳輸能力。
3. 損失函數優化：綜合使用交叉熵損失函數、計算特征間最小均方誤差的損失函數以及引入重建約束的損失函數，對模型參數進行迭代優化，提升模型的性能和泛化能力。

1. 模型構建：DFSFEM 模型主要由語義融合嵌入、關系測量和損失函數三個關鍵部分組成。
   • 語義融合嵌入：先對原始振動信號進行連續小波變換，生成時頻特征圖，再通過卷積層提取局部和全局特征。將故障類別的語義描述轉化為語義向量，與提取的時頻特征向量結合，經過全連接層處理，形成嵌入語義融合向量。這個過程通過公式（1）-（4）進行精確計算，確保了特征的有效融合和表示。
   • 關系測量：將嵌入語義融合向量與局部和全局特征進行合并，通過神經網絡計算它們之間的關系得分。根據得分自適應調整特征權重，采用加權融合的方式得出最終的診斷結果。具體計算過程由公式（5）-（10）詳細描述，這種方法能夠充分利用不同層次的特征信息，提高診斷的準確性。
   • 損失函數：選用交叉熵損失函數，并結合計算局部、全局嵌入特征與融合特征之間最小均方誤差的損失函數，以及引入重建約束的損失函數。這些損失函數分別通過公式（11）-（14）進行定義，它們從不同角度對模型進行優化，使得模型在訓練過程中不斷調整參數，提高對故障特征的表示能力和診斷準確性。
   
   
2. 實驗評估：研究人員使用凱斯西儲大學（Case Western Reserve University，CWRU）和帕德博恩大學（Paderborn University，PU）的軸承數據集進行實驗評估。
   • 實驗設置：在 CWRU 數據集中，根據零樣本學習原則，選取 6 種故障樣本作為訓練集，3 種作為測試集，并設計了 Task A 和 Task B 兩個診斷任務。在 PU 數據集中，選取 9 種故障作為訓練集，3 種作為測試集，設計了 Task 0 - Task 3 四個任務。同時，選擇了 Embarrassingly Simple Zero-Shot Learning（ESZSL）、Stacked Auto-Encoder（SAE）、Fully Guided Network（FGN）和 Cross-aligned Variational Autoencoder（CADA-VAE）等先進的零樣本學習方法進行對比實驗。
   • 實驗結果：在 CWRU 數據集上，DFSFEM 在 Task A 中平均故障診斷準確率達到 85.17%，其中 Task A_2 的準確率最高，為 88.67%；在 Task B 中平均準確率為 85.37%。在 PU 數據集上，DFSFEM 平均故障診斷準確率為 82.2%，其中 Task_2 的準確率最高，達到 85.7%。通過與其他方法的對比，DFSFEM 在兩個數據集上均取得了最好的成績，展現出其在零樣本故障診斷方面的優越性。
   • 消融研究：對 DFSFEM 進行消融研究發現，融合語義特征和時頻特征能夠顯著提升模型性能。去除語義特征會導致模型性能大幅下降，而去除時頻特征雖然也會使性能下降，但語義特征在提升特征表示能力和故障診斷性能方面起著至關重要的作用。這表明 DFSFEM 的各個模塊相互協作，共同提升了模型的性能。
   • 特征可視化：利用 t-SNE 技術對原始數據和學習到的特征進行降維可視化。結果顯示，經過 DFSFEM 學習后，特征的類間變化減小，類內差異增大，說明該模型能夠提取具有高代表性的故障特征，使不同故障類型之間的區分更加明顯。