标签稀缺时：用于振动故障诊断的振荡状态空间模型

基于摘要分析。研究针对机器振动故障诊断中故障标注记录稀缺、边缘设备本地推理资源受限的问题，提出紧凑的振荡状态空间模型 DualRes。其核心贡献是结合两种互补的振动频谱视图，并通过选择性振荡记忆学习时间模式的保留时长。 机制与评估：两种频谱视图分别用于捕捉快速变化和精细频率结构，经时间对齐后送入记忆模块；具体频谱变换、状态更新公式及训练损失尚未验证。作者给出的编码器参数量为 39,528，这不应直接视为完整系统参数量。监督学习评估覆盖六个轴承数据集、一个主要齿轮箱基准及额外的齿轮箱试验。研究采用按记录划分，并明确计量标注时长，以区分真实标注数据效率与对相关样本的重复使用。 作者报告：在主要齿轮箱基准中，DualRes 在七档标注预算中的六档优于所比较的九种方法；每类约六秒标注数据时，macro-F1 比次优对照高 16.1 个百分点。在同一基准、匹配硬件与运行条件下，相较一个选择性状态空间基线，按记录计量的推理速度提升至 1.44 倍，检查点存储缩减 24.8 倍。作者同时指出，轴承数据集上的表现随任务变化，因此不能将齿轮箱优势推广到全部振动诊断任务。数据集名称、各档预算的完整结果、划分细节、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，互补频谱视图与可学习的振荡记忆可能有助于 EEG 中快速变化与细粒度节律信息的联合建模，并满足轻量化推理需求。原方法依赖时间对齐的振动视图与有标签故障记录；迁移时可考虑复用记忆模块，但需改造多通道 EEG 输入、频谱尺度和任务输出。低信噪比、跨被试节律差异、通道变化及小样本训练均可能使收益失效。一个可证伪的小实验是在固定标注时长、按独立记录或会话划分的 EEG 任务上，对照 DualRes、单频谱视图变体与参数量相近的状态空间基线，检验双视图收益及推理成本；已有 EEG 相关工作尚未检索确认。上述方案不是已证实的 BCI 效果。