赵玉良副教授团队最近成功发表了题为“CFI-LFENet: Infusing cross-domain fusion image and lightweight feature enhanced network for fault diagnosis”的研究成果，该成果刊登于信息科学领域的顶级期刊《Information Fusion》（中科院一区，影响因子18.6）。我校导师赵玉良副教授为该论文的通讯作者，东北大学为第一完成单位。这一成果不仅推动了仪器测量学科的发展，也提升了光电传感与泛在智能科研团队的成果水平。

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：1）针对传感器收集的非平稳振动信号，传统方法不仅依赖专业知识，而且难以提取全面的内部信号信息，对提高诊断准确性构成挑战；2）手动设计的特征度量方法容易受到专家选择的影响，易丢失有效故障特征；3）基于深度学习的方法虽解决了对专业知识的依赖，但模型庞大、可移植性有限；4）现有图像化方法未能充分利用原始故障信息，无法同时分析时域和频域特征。

因此，团队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个方面入手，具体分为三个方面：设计一种需较少专业知识的多域信息融合方法；设计一种有效的故障信息图像表示法，提高多域信息表达能力；设计一种针对性的轻量化深度学习算法，提高时频域特征的挖掘能力。

在这一理念指导下，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。具体如下：

1. 提出一种新的一维故障数据跨领域图像生成方法。通过从原始的一维时序和频域转换信息中生成同时揭示时域和频域信息的跨领域融合图像，使原始故障特征以更具象化的纹理和颜色格式呈现。

2.开发一种针对性的特征增强网络模型。以跨域图像融合模块生成的图像为输入，通过定制化的特征提取模块、特征融合模块、特征增强模块和分类模块，实现高精度、快速的故障诊断。

3.在两种不同的案例场景中应用CFI-LFENet框架，验证在故障诊断准确性、推理速度和稳健性方面的优势。

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。