首页/论文/1503.04444

arXiv 1503.044442015-03cs.CV

基于平滑统计特征的轴承故障模式识别

Pattern Recognition of Bearing Faults using Smoother Statistical Features

Muhammad Masood Tahir, Ayyaz Hussain

备注：: This paper has been withdrawn by the author due to a crucial errors

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

提出了一种基于模式识别（PR）的轴承故障诊断方法。振动数据采集故障轴承使用的试验台。特征从数据中提取，并在PR过程中使用之前进行处理。该处理涉及特征分布的平滑。这减少了振动随机性对PR过程的不利影响，从而提高了模型的诊断准确性。

英文摘要：

A pattern recognition (PR) based diagnostic scheme is presented to identify bearing faults, using time domain features. Vibration data is acquired from faulty bearings using a test rig. The features are extracted from the data, and processed prior to utilize in the PR process. The processing involves smoothing of feature distributions. This reduces the undesired impact of vibration randomness on the PR process, and thus enhances the diagnostic accuracy of the model.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于多尺度频谱图像和卷积神经网络的轴承故障诊断

Bearing fault diagnosis based on multi-scale spectral images and convolutional neural network

School of Physics and Mechatronic Engineering, Guizhou Minzu University（贵州民族大学物理与机电工程学院）

针对传统轴承故障诊断准确率低的问题，本文提出基于多尺度频谱图像（MSSI）和卷积神经网络（CNN）的方法，通过振动信号预处理、MSSI构建及CNN诊断，经两个实验验证显著提升诊断准确率。

2025-03-27cs.CV

基于振动信号频谱图像的轴承故障诊断

Bearing fault diagnosis based on spectrum images of vibration signals

China University of Mining and Technology（中国矿业大学）

轴承故障诊断一直是旋转机械监测活动中的一个难题，并受到越来越多的关注。传统的故障诊断方法通常是从振动信号的波形或频谱中提取特征来实现故障分类。本文提出了一种新的图像形式的特征，即振动信号的频谱图像。通过快速傅里叶变换，可以简单地得到光谱图像。利用二维主成分分析（2DPCA）对图像进行降维处理，然后采用最小距离法对轴承故障进行分类。实验数据验证了该方法的有效性。

2016-02-04cs.CVcs.SD

基于视觉Transformer的轴承振动故障分类方法

A Vision Transformer-Based Approach to Bearing Fault Classification via Vibration Signals

Aligarh Muslim University（阿里格尔穆斯林大学）；Okayama University（冈山大学）

滚动轴承是旋转机械中最关键的部件。及时识别有缺陷的轴承可以防止整个机械系统的故障。随着机械零件的快速发展，机械状态监测领域已经进入大数据阶段。当处理大量数据时，手动特征提取方法具有效率低且不准确的缺点。近年来，数据驱动方法（如深度学习方法）已成功用于机械智能故障检测。卷积神经网络（CNN）在早期的研究中主要用于检测和识别轴承故障。然而，CNN模型具有难以管理故障时间信息的缺点，这导致缺乏分类结果。在本研究中，使用最先进的视觉Transformer（ViT）对关节面缺陷进行分类。轴承缺陷进行了分类使用凯斯西储大学（CWRU）轴承故障实验室的实验数据。该研究考虑了13种不同类型的缺陷下0负载的情况下，除了正常的轴承条件。利用短时傅立叶变换将振动信号转换为二维时频图像。2D时频图像被用作ViT的输入参数。该模型实现了98.8%的总体准确度。

2022-09-20cs.CVeess.SP

面向噪声环境下滚动轴承故障诊断的残差注意力单头视觉Transformer网络

Residual Attention Single-Head Vision Transformer Network for Rolling Bearing Fault Diagnosis in Noisy Environments

The Hong Kong Polytechnic University（香港理工大学）；Centre for Advances in Reliability and Safety（可靠性与安全先进研究中心）

本文提出RA-SHViT-Net，通过FFT频域转换、SHViT及融合通道与空间注意力的AHAB等模块，提升噪声环境下滚动轴承故障诊断的准确性与鲁棒性。

2024-11-27cs.CVeess.IV

融合谱相关密度成像与深度学习用于旋转机械智能故障诊断

Fusing Spectral Correlation Density Imaging with Deep Learning for Intelligent Fault Diagnosis in Rotating Machinery

Department of Electrical and Information Engineering（电气与信息工程系）；Department of Mechanical and Manufacturing Engineering（机械与制造工程系）；Faculty of Engineering, University of Ruhuna（鲁胡纳大学工程学院）

本文提出将谱相关密度图像与深度学习相结合，利用三种CNN模型对旋转机械轴承故障进行智能诊断，在两种轴承座和多种负载条件下实现高准确率分类，验证了面向边缘智能的鲁棒且经济高效的状态监测方案。

2025-09-20cs.CVeess.SP

用于轴承故障诊断的多尺度四元数CNN与BiGRU及交叉自注意力特征融合

Multi-scale Quaternion CNN and BiGRU with Cross Self-attention Feature Fusion for Fault Diagnosis of Bearing

School of Computer Science and Technology, Guangdong University of Technology（广东工业大学计算机科学与技术学院）；Guangdong Mechanical and Electrical College（广东机电职业技术学院）；School of Artificial Intelligence, Shenzhen Polytechnic University（深圳职业技术大学人工智能学院）；Department of Computer Science, University of Macau（澳门大学计算机科学系）

本文提出一种结合多尺度四元数CNN、BiGRU与交叉自注意力特征融合的轴承故障诊断模型，有效提取多尺度隐藏特征并增强特征判别交互，在三个公开数据集上达到SOTA性能。

2024-05-25cs.AIcs.CVcs.LG

更多相关论文收起更多论文

使用加权概率集成深度学习的感应电机改进故障诊断策略

An Improved Fault Diagnosis Strategy for Induction Motors Using Weighted Probability Ensemble Deep Learning

本文提出加权概率集成深度学习（WPEDL）方法，利用STFT提取的振动和电流特征诊断感应电机故障，在多类故障和5.2万张图像合并数据集上分别达到99.60%和98.89%的高准确率，优于传统深度学习模型。

2024-12-24cs.CVeess.SP

将频率引导集成到多源领域泛化中用于轴承故障诊断

Integrating Frequency Guidance into Multi-source Domain Generalization for Bearing Fault Diagnosis

Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China（教育部多媒体可信感知与高效计算重点实验室）；Xiamen University（厦门大学）；School of Informatics（信息学院）；Institute of Artificial Intelligence（人工智能研究所）

针对领域不变特征含虚假相关性影响泛化的问题，提出FARNet网络，利用频域增强与频率-空间交互模块，并结合流形三元组损失，在轴承故障诊断基准上取得优于现有跨领域方法的性能。

2025-02-01cs.AIcs.CVcs.LG

复杂场景下基于二维化序列的多尺度融合故障诊断方法

Multi-scale Fusion Fault Diagnosis Method Based on Two-Dimensionaliztion Sequence in Complex Scenarios

本文针对复杂场景下滚动轴承故障诊断问题，提出改进GAF二维化与灰度图像结合的方法，并设计多尺度特征融合扩散模型及深度学习压缩技术，以提升可解释性和工业部署能力。

2023-04-11cs.CV

基于连续小波变换的振动传感与空间故障定位使用YOLO

CWT-Enhanced Vibration Sensing With Time-Frequency Region Localization Using YOLO

Research Center for Information Technology Innovation (CITI), Academia Sinica (AS)（信息科技创新研究中心（CITI），中国科学院）

本文提出一种增强连续小波变换的振动传感框架，通过时间频谱图的空间定位实现滚动轴承故障监测，利用YOLOv9、YOLOv10和YOLOv11定位和识别故障相关能量区域，实验表明该框架在非稳态环境中提升了故障检测能力和鲁棒性。

2026-07-02cs.AIcs.CVcs.LG

EGR-Net：一种用于智能故障诊断的新型嵌入格拉姆表示卷积神经网络

EGR-Net: A Novel Embedding Gramian Representation CNN for Intelligent Fault Diagnosis

City University of Hong Kong（香港城市大学）

本文提出EGR-Net，一种基于新型嵌入格拉姆表示的双分支卷积神经网络，用于旋转机械智能故障诊断，通过同时利用原始信号和转换图像特征，提升诊断性能。

2025-02-26cs.AIcs.CVcs.LG