基于深度学习的诊断模型需要通过大量的机器监测数据来训练。然而,在实际情况下,机器在其寿命的大部分时间里都在正常条件下运行,而很少发生故障。因此,虽然可以获得大量数据,但大多数是正常情况下的数据,而故障数据仍然非常有限。换句话说,真机的故障诊断实际上是一个少射诊断问题。针对少镜头诊断,在连续机器学习(CML)范式下,提出了基于多分类器集成的自适应知识转移(AKTME)。在AKTME中,由DL模型学习的知识被认为是由可学习的滤波器核(FKs)来表示的。AKTME的关键是提出了FKs的连续加权更新(CWU)技术。通过CWU,共享FKs从多个辅助任务中提取并自适应地转移到目标任务中。然后通过多分类器集成,AKTME能够在少量故障数据的情况下识别故障。AKTME应用于两个少镜头诊断案例。结果表明,AKTME比最近提出的方法具有更高的诊断准确率。此外,AKTME在继续对更多辅助任务进行预学习时,有助于提高诊断的准确性。