Enhanced CNN with Global Features for Fault Diagnosis of Complex Chemical Processes
卷积神经网络（CNN）模型已广泛应用于复杂系统的故障诊断。然而，传统的CNN模型依赖于小核滤波器来从图像中获取局部特征。因此，需要一个过深的CNN来捕获全局特征，这对于动力系统的故障诊断至关重要。在这项工作中，我们提出了一个改进的CNN，嵌入全球功能（GF-CNN）。我们的方法使用多层感知器（MLP）进行降维，直接提取全局特征并将其集成到CNN中。这种方法的优点是图像中的局部和全局模式都可以通过简单的模型架构来捕获，而不是建立深度CNN模型。该方法被应用到田纳西伊士曼过程的故障诊断。仿真结果表明，与传统的CNN相比，GF-CNN CNN能显著提高故障诊断性能。该方法也可应用于计算机视觉、图像处理等领域。
2022-10-04 cs.SY eess.SY
Multi-mode Fault Diagnosis Datasets of Gearbox Under Variable Working Conditions
本文构建了覆盖多种转速、负载、故障类型与严重程度及复合故障的齿轮箱振动数据集，用于评估变工况故障诊断方法的有效性与可靠性。
2024-04-09 cs.SY eess.SY
Multi-mode Fault Diagnosis Datasets of Three-phase Asynchronous Motor Under Variable Working Conditions
MCC5 Group Shanghai Co. LTD（上海麦格米特电气股份有限公司）；School of Mechanical and Power Engineering, Zhengzhou University（郑州大学机械与动力工程学院）
本文提出了一种在多种故障类型和不同工况下采集的三相异步电动机数据集，用于支持鲁棒的故障诊断方法开发。
2026-02-06 cs.SY eess.SY
Recent Advances in Model-Based Fault Diagnosis for Lithium-Ion Batteries: A Comprehensive Review
本文全面综述锂离子电池基于模型的故障诊断方法，梳理电池模型分类、故障机理与建模不确定性，重点介绍状态观测器设计及算法实现，并展望未来研究方向。
2024-01-30 cs.SY eess.SY
A Kalman Filtering approach of improved precision for fault diagnosis in distributed parameter systems
Unit of Industrial Automation, Industrial Systems Institute（工业自动化单元，工业系统研究所）
本文提出无导数非线性卡尔曼滤波用于估计和诊断分布式参数系统，特别是由非线性波动方程描述的动力系统。通过将非线性波动方程的动态估计转换为线性规范形式，利用标准卡尔曼滤波递归进行局部状态估计，并通过局部统计方法处理残差进行故障诊断。
2013-11-03 cs.SY eess.SY
Efficient Fault Diagnosis in Lithium-Ion Battery Packs: A Structural Approach with Moving Horizon Estimation
本文提出一种利用电池组结构特性的分层滑窗估计（MHE）方法，用于估计内外短路及传感器故障，在保证有效性的同时显著降低了计算复杂度与传感器需求。
2025-03-01 cs.SY eess.SY
Robust Air Data Sensor Fault Diagnosis With Enhanced Fault Sensitivity Using Moving Horizon Estimation
Delft Center for Systems and Control, Delft University of Technology（代尔夫特系统与控制中心，代尔夫特理工大学）
本文研究了风速数据传感器在风的影响下鲁棒性故障诊断，提出基于移动时间窗估计的约束残差生成器，通过利用已知风界来提高故障敏感性，通过分析KKT条件证明其改进源于故障激活的不等式约束，利用空客模拟器验证了方法优势。
2016-02-24 cs.SY eess.SY
Linguistic Ordered Weighted Averaging based deep learning pooling for fault diagnosis in a wastewater treatment plant
本文提出融合滑动重叠时间窗口与语言OWA池化DCNN的WWTP故障诊断方法，在5类故障、140个变量的基准上实现超过91%的性能并优于标准池化。
2025-06-10 cs.SY eess.SY
Review for AI-based Open-Circuit Faults Diagnosis Methods in Power Electronics Converters
Northeast Electric Power University（东北电力大学）；State Grid Xinyuan Fengman Training Center（国网新源丰满培训中心）；Technical University of Denmark（丹麦技术大学）
电力电子变换器在航空航天、直流输电、分布式能源、智能电网等领域有着广泛的应用，其可靠性问题一直是学术界和工业界研究的热点。开展电力电子换流器开路故障监测和智能故障诊断，对于避免二次故障、减少运行维护时间和成本、提高电力电子系统的可靠性具有重要意义。首先，分析和总结了电力电子变换器的故障特征。其次，综述了基于人工智能的电力电子变流器故障诊断方法及其应用实例，提出了一种基于随机森林和暂态故障特征相结合的三相电力电子变流器故障诊断方法。最后指出了基于人工智能的故障诊断方法的未来研究挑战和方向。
2022-09-26 cs.AI cs.SY eess.SY
Sensor Placement for Online Fault Diagnosis
故障诊断是确定一组故障系统组件的问题，这些组件可以解释观察到的行为和预期行为之间的差异。由于观测值与传感器之间的内在联系，使得传感器的故障诊断与配置是相互依赖的。因此，将故障诊断与传感器配置问题结合起来解决是非常必要的。一种用于故障诊断的建模系统的方法使用应答集编程（ASP）。我们提出了一个基于模型的方法，主动诊断使用ASP传感器的位置，其中的次要目标是减少使用的传感器的数量。该方法可以在几分钟内找到大约500个组件的系统传感器的位置。为了解决更大的系统，我们提出了一个模块化的概念，这样就可以把每个模块作为一个单独的系统，并独立地解决每个模块的传感器放置问题。此外，我们提供了一个不动点算法来确定一个系统的模块。
2022-11-21 cs.LO cs.SY eess.SY
Fault Diagnosis of Nonlinear Systems Using a Hybrid-Degree Dual Cubature-based Estimation Scheme
针对非线性系统的故障诊断问题，提出了一种新的基于容积规则和基于容积的非线性滤波器的混合度对偶估计方法。我们提出的双非线性滤波方案是基于情况相关的体积规则开发的，这些规则是由以下观察和事实激发的，即（i）非线性系统状态和参数的动态特性通常是不同的，并且具有不同程度的复杂性，以及（ii）体积规则的性能取决于系统动力学，并且由于处理高维积分近似而变化。为了提高我们提出的方法的鲁棒性，引入了改进的体积点传播方法。我们提出的双重估计策略的性能证明和评估的应用程序的非线性燃气涡轮发动机解决组件故障诊断问题的集成故障检测，隔离和识别框架内。鲁棒性分析的实施，以验证我们提出的方法来处理参数不确定性和未建模动态的能力。广泛的模拟案例研究和讨论方面的组件污垢，腐蚀或突然故障，以证实和证明我们提出的故障诊断方法的优越性相比，其他知名的替代诊断技术，如无迹卡尔曼滤波器（UKF）和粒子滤波器（PF），通常在文献中。
2021-11-13 cs.SY eess.SY
Multi-Condition Fault Diagnosis of Dynamic Systems: A Survey, Insights, and Prospects
本文系统综述了动态系统多工况故障诊断的研究现状，从单模型和多模型角度分类现有方法，总结评估指标与应用场景，并探讨了关键挑战与未来方向。
2024-12-27 cs.SY eess.SY
Collaborative design of fault diagnosis and fault tolerance control under nested signal temporal logic specifications
本文针对非线性CPS在嵌套信号时序逻辑规范下的故障诊断与容错控制问题，提出一种基于信号时序逻辑树、容错可行集和递归可行性的协同设计框架，通过二次规划求解次优控制器增益，实现更快速准确的故障检测并保持容错性能。
2025-02-19 cs.SY eess.SY
On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine
Indian Institute of Technology Bombay（孟买印度理工学院）
受机器学习最新进展的启发，针对实验室燃气轮机系统的燃料供应系统和传感器测量中的故障，明确开发了数据驱动的故障诊断和隔离（FDI）方案。实现了一种被动的故障诊断方法，其中使用机器学习分类器来训练模型，以实时检测其被训练的给定故障场景集。最后，比较研究了著名的分类技术，即支持向量分类器，线性判别分析，K-邻居，和决策树。几个仿真研究进行了演示和说明所提出的故障诊断方案的优点，能力和性能。
2021-10-19 cs.LG cs.SY eess.SY
Fault Diagnosis of the 10MW Floating Offshore Wind Turbine Benchmark: a Mixed Model and Signal-based Approach
浮式海上风力涡轮机（FOWT）在恶劣的海洋环境中运行，可接近性和可维护性有限。不仅故障比陆基涡轮机更容易发生，而且纠正性维护也更昂贵。在本研究中，一个混合模型和基于信号的故障诊断（FD）架构的开发，以检测和隔离FOWT中的关键故障。更具体地说，基于模型的方案被开发用于检测和隔离与涡轮机系统相关联的故障。它是基于故障检测和近似估计和故障隔离估计，随时间变化的自适应阈值，以保证对假警报。此外，建立了一个基于信号的计划，在建议的架构，检测和隔离两个代表性的系泊线故障。为了验证的目的，一个10兆瓦FOWT基准开发和其运行条件，其中包含预定义的故障，通过扩展高保真仿真器进行了模拟。在此基础上，说明了所提出的架构的有效性。此外，通过比较其故障检测的结果，由其他方法提供的优点和局限性进行了讨论。结果表明，该架构具有最好的性能在检测和隔离的关键故障FOWT在不同的操作条件下。
2020-07-03 cs.SY eess.SY
Power System Fault Diagnosis with Quantum Computing and Efficient Gate Decomposition
本文提出一种基于量子近似优化算法（QAOA）的电力系统故障诊断方法，通过伊辛模型重构哈密顿量，并利用多 z 旋转门对称等效分解和小概率事件特性减少量子比特，在测试系统上以更快速度获得与经典高阶求解器相同的最优结果。
2024-01-18 cs.SY eess.SY
DSP-Based Sub-Switching-Period Current-Limiting Control for Grid-Tied Inverter under Grid Faults
Seoul National University（首尔大学）
本文提出一种基于数字信号处理器的子开关周期电流限制控制方法，用于并网逆变器在电网故障时防止瞬态过流并实现无缝故障穿越。
2026-01-07 cs.SY eess.SY
Nullspace-based Fault Diagnosis for Closed-Loop Mechatronic Systems with Application to Semiconductor Equipment
Eindhoven University of Technology（埃因霍温理工大学）；ASML（阿斯麦）；Delft University of Technology（代尔夫特理工大学）
本文提出基于空域的闭环故障诊断方法，用于解决线性系统中的故障检测与隔离问题，并在半导体设备中进行应用验证。
2026-05-10 cs.SY eess.SY
Model-Agnostic Meta-Learning for Fault Diagnosis of Induction Motors in Data-Scarce Environments with Varying Operating Conditions and Electric Drive Noise
针对数据稀缺、样本不平衡及驱动噪声环境下的感应电机故障诊断问题，提出一种模型无关元学习方法，通过多任务训练与少样本微调实现快速适应，故障诊断准确率达99%以上。
2025-04-03 cs.SY eess.SY
Fast Adaptive Fault Accommodation in Floating Offshore Wind Turbines via Model-Based Fault Diagnosis and Subspace Predictive Repetitive Control
由于浮式海上风力涡轮机（FOWT）在深水中运行，并受到风和波浪引起的压力载荷，它们比陆上同行更容易出现故障和故障。特别地，变桨系统可能经历变桨致动器卡住（PAS）类型的故障，这将导致完全失去控制权限。在本文中，一种新的快速和自适应的解决方案，结合基于模型的故障诊断（FD）计划和子空间预测重复控制（SPRC）。FD的作用是快速检测和隔离故障变桨执行器。基于故障隔离的结果，一个预调整的自适应SPRC在线切换，以取代现有的，其参数的初始值已被离线调整，以匹配特定的故障情况。然后，SPRC采用子空间辨识，在移动的时间窗口内连续辨识风力机的线性模型，从而制定自适应控制律，以减轻PAS引起的负载。结果表明，开发的架构允许实现相当大的减少PAS引起的叶片负载。更重要的是，减少PAS引起的负载所需的时间显著缩短，从而避免在自适应期间对其他部件造成进一步损坏，并允许持续发电。
2020-11-03 cs.SY eess.SY
F2GAN: A Feature-Feedback Generative Framework for Reliable AI-Based Fault Diagnosis in Inverter-Dominated Microgrids
University of Michigan – Dearborn（密歇根大学迪尔伯恩分校）；Pohang University of Science and Technology（浦项科技大学）
本文提出F2GAN特征反馈生成框架，通过多级反馈损失合成高保真微电网故障数据，缓解数据稀缺与类别不平衡，并在HIL平台上实现100%实时诊断准确率。
2025-11-10 cs.SY eess.SY
Functional observers with linear error dynamics for discrete-time nonlinear systems, with application to fault diagnosis
本文研究离散时间非线性系统状态估计的观测器设计问题。给出了具有线性动态和线性输出映射的低阶函数观测器存在的充要条件。结果提供了一个直接的推广Luenberger的线性理论的功能观察员。非等温CSTR的案例研究的设计方法进行了测试。
2021-10-17 cs.SY eess.SY
Ultra-Low-Energy Open-Circuit Fault Diagnosis for Three-Phase Inverters
The Pennsylvania State University（宾夕法尼亚州立大学）
研究三相逆变器超低能量开路故障诊断，提出事件驱动神经形态框架，将训练的CNN转换为SNN，利用轨迹矩阵稀疏结构节能，实验表明该方法诊断能量低、推理能量降382倍且准确率100%，还验证了鲁棒性。
2026-07-29 cs.SY eess.SY
Particle Filter-Based Fault Diagnosis of Nonlinear Systems Using a Dual Particle Filter Scheme
Concordia University（康科迪亚大学）；Qatar University（卡塔尔大学）
本文提出一种双估计方法，利用粒子滤波方案同时估计非线性随机系统的时间变化参数和状态，通过并发实现状态和参数估计滤波器，验证了方法在健康监测中的有效性。
2016-06-28 cs.SY eess.SY
Performance Analysis and Fault Diagnosis Method for Concentrator Photovoltaic Modules
针对聚光光伏（CPV）组件效率偏低、故障概率高且大气多变环境下诊断难的问题，通过计算机模型结合印度班加罗尔户外测试数据，提出了CPV组件性能评估与故障诊断方法。
2018-12-13 cs.SY eess.SY
Fault diagnosis for linear heterodirectional hyperbolic ODE-PDE systems using backstepping-based trajectory planning
研究了一般线性异向双曲型常微分方程-偏微分方程系统的故障诊断问题。提出了一种系统的解决方案，在干扰的存在下，添加剂时变执行器，过程和传感器故障。故障和干扰由有限维信号模型的解表示，该模型允许考虑大类信号。对于扰动，只有有界的，安全故障诊断的阈值。通过对系统进行积分变换，得到了在有限时间内检测故障的代数故障检测方程。相应的积分核来自于实现双曲型常微分方程-偏微分方程系统的非平衡初态和消失终态之间的有限时间跃迁。针对这一新的挑战性问题，提出了一种系统的轨迹规划方法。特别是，这个问题是通过将核心方程映射到反推坐标和跟踪的过渡问题的解决方案回到一个简单的轨迹规划。对一个耦合二阶常微分方程的$4\times 4$异向双曲型系统的故障诊断验证了本文的结果。
2020-10-22 cs.SY eess.SP eess.SY
Research on fault diagnosis of nuclear power first-second circuit based on hierarchical multi-granularity classification network
针对核电系统故障难以整体分析的问题，本文基于 AP1000 模拟器构建一二次回路故障数据集，提出基于 EfficientNet 的分层多粒度分类故障诊断模型，实现了对不同回路和部件故障的有效分层分类。
2024-11-12 cs.AI cs.SY eess.SY
A Composite Fault Diagnosis Model for NPPs Based on Bayesian-EfficientNet Module
针对核电站多系统重要机械部件故障，提出基于贝叶斯算法与EfficientNet大模型的复合多故障诊断模型，通过迁移学习评估该技术在核电站场景中的有效性。
2024-11-13 cs.AI cs.SY eess.SP
Graph neural network-based fault diagnosis: a review
Central South University（中南大学）；Peng Cheng Laboratory（鹏城实验室）；Universita della Svizzera italiana（瑞士意大利大学）；Politecnico di Milano（米兰理工大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）；Technical University of Ilmenau（伊尔梅瑙工业大学）
基于图神经网络（GNN）的故障诊断（FD）近年来受到越来越多的关注，这是由于来自多个应用领域的数据可以有利地表示为图的事实。事实上，这种特殊的表示形式导致了优于传统FD方法的性能。在这篇综述中，一个简单的介绍GNN，潜在的应用领域的故障诊断，并给出了未来的前景。首先，本文回顾了基于神经网络的FD方法，重点放在他们的数据表示，即时间序列，图像和图形。其次，介绍了GNN的基本原理和主要结构，重点介绍了图卷积网络，图注意力网络，图采样和聚合，图自动编码器和时空图卷积网络。最后，通过详细的实验对基于GNN的故障诊断方法进行了验证，得出了基于GNN的故障诊断方法具有良好的诊断性能的结论。最后，讨论和未来的挑战。
2021-11-16 cs.LG cs.SY eess.SY
TSViT: A Time Series Vision Transformer for Fault Diagnosis
University of Oulu（奥卢大学）
本文提出TSViT，将卷积层与Transformer编码器结合用于振动信号故障诊断，在三个数据集上取得最高100%平均准确率，并分析了超参数对性能、计算量和参数量的影响。
2024-10-13 cs.AI cs.SY eess.SY
Quantum Computing Assisted Deep Learning for Fault Detection and Diagnosis in Industrial Process Systems
Cornell University（康奈尔大学）
近年来，量子计算（QC）和深度学习技术引起了广泛关注。本文提出了基于QC的故障诊断深度学习方法，利用其独特的能力来克服在经典计算机上执行的传统数据驱动方法所面临的计算挑战。深度信念网络集成到建议的故障诊断模型，并用于提取正常和故障过程操作的不同层次的特征。基于QC的故障诊断模型使用量子计算辅助生成训练过程，然后进行判别训练，以解决经典算法的缺点。以连续搅拌釜式反应器（CSTR）和田纳西伊士曼（TE）过程为例，验证了该方法的适用性和有效性。所提出的基于QC的深度学习方法具有优越的故障检测和诊断性能，CSTR和TE过程的平均故障检测率分别为79.2%和99.39%。
2020-10-02 cs.LG cs.SY eess.SY
Uncertainty-Aware Artificial Intelligence for Gear Fault Diagnosis in Motor Drives
Aalborg University（奥尔堡大学）
针对传统数据驱动故障诊断方法无法捕捉推理不确定性的问题，提出基于贝叶斯神经网络的电机传动齿轮故障诊断方法，将权重设为概率分布，经多场景测试验证了其鲁棒性、可解释性及不确定性量化能力。
2024-12-13 cs.AI cs.SY eess.SY
Real Time Bearing Fault Diagnosis Based on Convolutional Neural Network and STM32 Microcontroller
University of Electronic Science and Technology of China（电子科技大学）；Shenzhen Institute for Advanced Study（深圳高等研究院）
本文提出一种基于卷积神经网络的轴承故障诊断方法，准确率达98.9%，并将其部署到STM32H743VI微控制器上，实现19ms/次的实时诊断与串口通信显示。
2023-04-14 cs.LG cs.SY eess.SY
A Novel Semi-Supervised Data-Driven Method for Chiller Fault Diagnosis with Unlabeled Data
Nanyang Technological University（南洋理工大学）；Anhui Polytechnic University（安徽工程大学）；Zhejiang University（浙江大学）；Building and Construction Authority (BCA)（新加坡建设局）
在实际的冷水机组系统中，应用高效的故障诊断技术可以显著降低能耗，提高建筑物的能源利用效率。现有的冷水机组故障诊断方法的成功依赖于有足够的带标签数据用于训练的条件。然而，标签获取在实践中是费力且昂贵的。通常，标记数据的数量是有限的，并且大多数可用数据是未标记的。现有方法无法充分利用未标记数据中包含的信息，严重限制了冷水机组故障诊断性能的提高。为了有效利用未标记数据进一步提高故障诊断性能，降低对标记数据的依赖，提出了一种基于半生成对抗网络的冷水机组半监督数据驱动故障诊断方法。半生成对抗网络能够从未标记数据中学习到数据分布的信息，这些信息有助于显著提高诊断性能。通过仿真和实测数据处理验证了所提方法的有效性。在只有80个标记样本和16000个未标记样本的情况下，该方法可以将诊断准确率提高到84%，而有监督基线方法的诊断准确率最高只能达到65%。此外，当未标记样本数足够大时，该方法可以减少约60%的最小标记样本数.
2020-10-31 cs.LG cs.SY eess.SY
FaultExplainer: Leveraging Large Language Models for Interpretable Fault Detection and Diagnosis
Davidson School of Chemical Engineering, Purdue University（普渡大学戴维森化学工程学院）
本文提出交互式工具FaultExplainer，结合实时可视化、PCA故障检测与大型语言模型，在TEP中提升故障检测与诊断的可解释性，并利用GPT-4o等模型验证了其在生成可操作解释方面的优势与局限。
2024-12-19 cs.AI cs.LG cs.SY
Adaptive Set Observers Design for Nonlinear Continuous-Time Systems: Application to Fault Detection and Diagnosis
University of Bordeaux（波尔多大学）
针对非线性连续时间系统，提出基于保证LPV近似的自适应集观测器设计方法，解决集成员参数估计中的指数复杂度问题，并应用于故障诊断。
2010-12-03 cs.SY eess.SY math.OC
An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on Broad Learning System
Tsinghua University（清华大学）；Guangzhou University（广州大学）；Wujiang Laboratory（吴江实验室）
针对工业过程多模态、非高斯及实时参数更新难题，提出融合扩展ER规则与BLS基分类器、并用伪标签在线更新的证据式故障诊断方法，在TE数据集上验证有效。
2023-06-06 cs.AI cs.LG cs.SY
The State of the Art in transformer fault diagnosis with artificial intelligence and Dissolved Gas Analysis: A Review of the Literature
North China Electric Power University（华北电力大学）
本文综述了人工智能与溶解气体分析在变压器故障诊断中的最新进展，比较了规则系统、专家系统、神经网络和机器学习等方法的优劣，并探讨其对电力系统可靠运行的潜在影响。
2024-08-01 cs.LG cs.SY eess.SY
Optimizing a Digital Twin for Fault Diagnosis in Grid Connected Inverters -- A Bayesian Approach
Centre Tecnològic de Telecomunicacions de Catalunya（加泰罗尼亚电信技术中心）；Aalborg University（奥尔堡大学）；LUT University（拉彭兰塔工业大学）
本文提出了一种基于超参数整定的贝叶斯优化数字孪生模型，用于诊断并网逆变器的各种故障。由于故障检测和诊断需要非常高的精度，我们将我们的努力引导到数字双胞胎的在线优化上，这反过来又允许在有限的数据量下灵活实施。因此，所提出的框架不仅成为有限数据的数字孪生设计的模型版本化和部署的实用解决方案，而且还允许集成深度学习工具以提高超参数调整能力。对于分类性能评估，我们考虑不同的故障情况下，在虚拟同步发电机（VSG）控制的并网转换器，并证明我们的方法的有效性。我们的研究结果表明，我们的数字孪生设计实现了更高的准确性和保真度水平，克服了传统超参数调整方法的缺点。
2022-12-07 cs.LG cs.SY eess.SY
Real time state monitoring and fault diagnosis system for motor based on LabVIEW
Institute of Plasma Physics, Chinese Academy of Sciences（中国科学院等离子体物理研究所）；University of Science and Technology of China（中国科学技术大学）
本文设计基于LabVIEW的三相电机实时状态监测与多故障预诊断系统，通过采集振动加速度、转速、温度、电流和电压信号，利用阶次分析算法实现故障诊断与分类，并结合云传输技术实现数据云端备份。
2018-06-25 cs.SE cs.SY eess.SP
Weak Adaptive Submodularity and Group-Based Active Diagnosis with Applications to State Estimation with Persistent Sensor Faults
Arizona State University（亚利桑那州立大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
本文研究了随机状态估计中部分观测的自适应决策问题，提出弱自适应次模性概念，并展示基于群体的主动诊断的奖励函数具有该性质，实验表明自适应贪心策略在持续传感器故障的状态估计中表现优异。
2017-04-12 cs.SY eess.SY math.OC
Active Foundational Models for Fault Diagnosis of Electrical Motors
IIT Madras（印度理工学院马德拉斯分校）；Kansas State University（堪萨斯州立大学）
针对电机故障诊断中标注数据获取成本高且未标记数据未充分利用的问题，提出一种结合主动学习与对比自监督学习的transformer基础模型框架，有效利用未标记数据学习表示并微调以适应跨机器下游任务，在少量标注下实现优于现有方法的诊断性能。
2023-11-27 cs.AI cs.LG cs.SY
Foundational Models for Fault Diagnosis of Electrical Motors
IIT Madras（印度理工学院马德拉斯分校）；Kansas State University（堪萨斯州立大学）
针对电机故障诊断中训练测试数据同分布假设限制实际应用的问题，提出一种基于自监督学习主干网络微调的基础模型框架，仅需少量数据即可在跨工况和跨机器任务中实现超90%分类准确率。
2023-07-31 cs.AI cs.LG cs.SY
Avionic Main Fuel Pump Simulation and Fault-Diagnosis Benchmark
Institute of Artificial Intelligence（人工智能研究所）；Helmut Schmidt University（海姆特-施密特大学）
本文提出一个高保真度的航空主燃油泵系统仿真模型，用于生成标注的时序数据，通过RNN-VAE和SOM-VAE进行异常检测和运行模式离散化。
2026-04-23 cs.AI cs.LG cs.SY
Spatial Graph Convolutional Neural Network via Structured Subdomain Adaptation and Domain Adversarial Learning for Bearing Fault Diagnosis
Tarbiat Modares University（塔比阿特莫达雷斯大学）
近年来，无监督域自适应算法在变工况下的轴承故障诊断中取得了显著的效果。然而，大多数UDA方法不考虑数据的几何结构。此外，普遍采用的全局域自适应技术，忽略了子域之间的关系。本文通过提出新的深度子域自适应图卷积神经网络（DSAGCN）来解决上述挑战，该网络具有两个关键特征：首先，图卷积神经网络（GCNN）用于对数据结构进行建模。其次，对抗域自适应和局部最大均值差异（LMMD）方法同时应用于对齐子域的分布，并减少相关子域和全局域之间的结构差异。利用CWRU和Paderborn方位数据集验证了DSAGCN方法的有效性和在比较模型间的优越性。实验结果表明，对齐结构化子域以及域自适应方法，以获得一个准确的数据驱动的模型在无监督故障诊断的意义。
2021-12-11 cs.LG cs.SY eess.SP
ZETA: a library for Zonotope-based EsTimation and fAult diagnosis of discrete-time systems
本文提出MATLAB库ZETA，基于zonotope类集合表示实现离散时间系统的可达性分析、状态估计与主动故障诊断，并支持非线性传播和阶数约简。
2025-04-08 cs.MS cs.SY eess.SY
Hypergraph Contrastive Sensor Fusion for Multimodal Fault Diagnosis in Induction Motors
针对感应电机多模态故障诊断，提出多模态超图对比注意力网络（MM-HCAN），首次在超图拓扑中集成对比学习，实现多故障联合诊断，在三个基准上达到99.82%准确率。
2025-10-17 cs.AI cs.ET cs.LG
