近日，控制工程学院赵玉良团队发表了题为“CFI-LFENet: Infusing cross-domain fusion image and lightweight feature enhanced network for fault diagnosis（CFI-LFENet:融合跨域融合图像和轻量级特征增强网络的故障诊断方法）”的研究成果，该成果刊登于信息科学领域的TOP期刊《Information Fusion》（中科院一区，影响因子18.6），赵玉良副教授及其博士生廉超分别为该论文的通讯作者和第一作者，东北大学为第一完成单位。这一成果不仅推动了时序传感数据图像化领域的技术发展，也提升了光电传感在泛在智能领域的应用水平。

在研究中，团队深入分析了当前故障诊断方法面临的重要挑战，认为应对方案可从时序数据图像化、时域和频域信息综合分析以及深度学习三方面入手。团队提出了基于跨域融合图像和轻量级多尺度特征增强网络的故障诊断框架CFI-LFENet。该框架首先对振动数据的时域和频域信号进行编码，生成相应的特征图，然后结合深度学习算法进行故障诊断。这种方法不仅提供更多故障信息，突出固有特征，还能充分利用故障序列的特征信息，增强从多领域故障信息中挖掘特征的能力，最终实现更好的故障诊断性能。

该研究不仅为故障诊断领域的数据挖掘和处理提供了新的设计思路和技术参考，其创新性的设计理念和案例应用范例也为其他类型的数据处理奠定了坚实的理论基础。

图1 提出的CFI-LFENet故障诊断框架

图2 案例应用范式