Advancing machine fault diagnosis: A detailed examination of convolutional neural networks
Wroclaw University of Science and Technology(弗罗茨瓦夫理工大学);University of Ottawa(渥太华大学);Sant Longowal Institute of Engineering and Technology(桑特隆戈瓦尔工程技术学院)
针对机械复杂性提升与运行需求增长的背景,本文全面综述卷积神经网络(CNNs)在机械故障诊断中的理论基础、架构变体、实际应用,分析其优劣势,并探讨数据增强等最新进展,为未来研究提供方向。
2025-02-12 cs.AI cs.LG
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
Real-time Faulted Line Localization and PMU Placement in Power Systems through Convolutional Neural Networks
Theory Division and the Center for Nonlinear Studies, Los Alamos National Laboratory(理论部和非线性研究中心,洛斯阿拉莫斯国家实验室)
本文提出基于卷积神经网络的故障线路定位方法,利用母线电压特征提高鲁棒性,并提出联合PMU布置策略,通过不同类型的故障模拟验证了在低可观测性条件下高精度的故障定位能力。
2019-05-17 cs.LG cs.SY eess.SY
A comprehensive review on convolutional neural network in machine fault diagnosis
Xi’an Jiaotong University(西安交通大学);Beihang University(北京航空航天大学)
随着制造业的快速发展,机械故障诊断对保证设备安全运行和生产具有越来越重要的意义。因此,在过去的几年里,已经探索和开发了各种各样的方法,其中智能算法发展特别迅速。卷积神经网络作为智能诊断模型的典型代表,近五年来得到了广泛的研究和应用,在学术期刊和会议录上发表了大量的文献。然而,目前还没有系统的综述来涵盖这些研究,并对进一步的研究进行展望。为了填补这一空白,这项工作试图全面回顾和总结基于卷积网络的故障诊断(CNFD)方法的发展。一般来说,一个典型的CNFD框架由以下步骤组成,即数据收集,模型构建,特征学习和决策,因此,本文是按照这一流程组织。首先,描述了数据收集过程,其中介绍了几个流行的数据集。然后,阐述了从基本卷积神经网络到其变体的基本理论。然后从分类、预测和转移诊断三个主流方向对CNFD的应用进行了综述。最后,对本文进行了总结和展望,指出了当前的发展特点、面临的挑战和未来的发展趋势。最后,希望本研究能为该领域的研究者提供便利,并启发他们进一步的探索。
2020-02-13 cs.LG eess.SP stat.ML
Selection of Optimal Number and Location of PMUs for CNN Based Fault Location and Identification
Lane Department of Computer Science(计算机科学系);Electrical Engineering, West Virginia University, Morgantown, WV USA(电气工程,西弗吉尼亚大学,莫尔甘顿,WV USA);Electrical Engineering West Virginia University, Morgantown, WV USA(电气工程 西弗吉尼亚大学,莫尔甘顿,WV USA)
本文提出FSNR-SVM算法优化PMU的数量与布置位置,结合1D CNN实现电力系统故障定位与类型识别,在两个IEEE标准节点系统上均取得高准确率。
2025-09-02 cs.LG cs.SY eess.SY
Comparative Fault Location Estimation by Using Image Processing in Mixed Transmission Lines
距离保护继电器用于根据输电线路中的电流和电压大小确定基于阻抗的故障定位。然而,由于高压电缆线路的特性阻抗与架空线路的特性阻抗显著不同,因此在混合输电线路中由于每单位长度的特性阻抗不同而不能正确地检测故障位置。因此,在混合输电线路中,利用距离保护继电器确定故障区段和故障位置是困难的。在本研究中,154 kV架空输电线路和地下电缆线路作为距离保护继电器的混合输电线路进行了研究。在混合输电线路中产生相接地故障。利用PSCAD-EMTDC软件对架空线路段和地下电缆段进行仿真,生成了架空输电线路和地下电缆输电线路故障时距离保护中的短路故障图像。图像包括故障的R-X阻抗图,并且R-X阻抗图已经通过应用图像处理步骤而被检测到。采用人工神经网络(ANN)和回归方法预测故障位置,并将图像处理的结果作为ANN和回归方法训练过程的输入参数。最后,将人工神经网络和回归方法的结果进行比较,以选择最合适的方法来预测输电线路的故障位置。
2021-02-22 cs.AI cs.LG eess.IV
Fault Location Estimation by Using Machine Learning Methods in Mixed Transmission Lines
Konya Technical University(科尼亚技术大学)
架空线路通常用于电能传输。另外,交联聚乙烯地下电缆线路一般用于城市中心和拥挤地区,以提供电气安全,因此高压地下电缆线路与架空线路一起使用,这些线路被称为混合线路。距离保护继电器用于根据输电线路中的电流和电压大小确定基于阻抗的故障定位。然而,由于高压电缆线路的特性阻抗与架空线路的特性阻抗显著不同,因此在混合输电线路中由于每单位长度的特性阻抗不同而不能正确地检测故障位置。因此,在混合输电线路中,利用距离保护继电器确定故障区段和故障位置是困难的。在本研究中,154 kV架空输电线路和地下电缆线路作为距离保护继电器的混合输电线路进行了研究。利用PSCAD软件对混合线路进行了相间故障仿真,并对架空线路段和地下电缆段进行了仿真。针对架空输电线路和地下电缆输电线路故障,在距离保护继电器中生成短路故障图像。图像包括故障的RX阻抗图,并且RX阻抗图已经通过应用图像处理步骤被检测到。回归方法用于故障位置的预测,并且图像处理的结果用作回归方法的训练过程的输入参数。最后对回归方法的结果进行了比较,以选择最适合输电线路故障定位的方法。
2020-11-06 cs.LG eess.SP
FaultFace: Deep Convolutional Generative Adversarial Network (DCGAN) based Ball-Bearing Failure Detection Method
University of California, Merced(加州大学默塞德分校);Beijing University of Chemical Technology(北京化工大学)
在工业中采用故障检测来提高系统性能并降低由于意外故障事件而导致的成本。因此,一个好的数据集的系统是理想的设计自动故障检测系统。然而,工业过程数据集是不平衡的,并且由于这些事件的唯一性以及仅仅为了获得关于不期望的行为的信息而运行系统的高成本而包含关于故障行为的信息很少。因此,对自动故障检测方法进行正确的训练和验证具有挑战性。本文提出了一种名为FaultFace的方法,用于使用深度学习技术创建平衡数据集来检测旋转轴的球轴承关节的故障。FaultFace方法使用通过时频变换技术获得的名为faceportraits的振动信号的2D表示。从获得的人脸画像中,使用深度卷积生成对抗网络来生成标称和故障行为的新人脸画像,以获得平衡的数据集。采用平衡数据集训练卷积神经网络进行故障检测。将FaultFace方法与其他深度学习技术进行比较,以评估其在不平衡数据集故障检测中的性能。实验结果表明,FaultFace方法对于不平衡数据集的故障检测具有良好的性能.
2020-07-30 cs.CV cs.LG eess.IV
Multi-Class Electrical and Mechanical Fault Classification Using Random Convolutional Kernels
University of Artois(阿图瓦大学);LSEE;LGI2A
本研究评估SelF-Rocket用于机电故障多类诊断,提出其多变量扩展方法,在两个基准数据集上对比ROCKET类方法,证实该方法的准确率-延迟权衡最优且在挑战性数据集上表现出色。
2026-08-20 cs.LG
FaultXformer: A Transformer-Encoder Based Fault Classification and Location Identification model in PMU-Integrated Active Electrical Distribution System
FaultXformer通过双阶段Transformer编码器实现高精度故障分类与定位,优于传统深度学习模型。
2026-02-27 cs.AI cs.LG cs.SY
Data-Driven Ground-Fault Location Method in Distribution Power System With Distributed Generation
Linnaeus University(林奈大学);Uppsala University(乌普萨拉大学)
本文提出一种基于离散小波变换和人工神经网络的数据驱动接地故障定位方法,在含分布式电源的配电系统中分别预测故障相、故障支路和故障距离,故障距离预测总相对误差为0.4%。
2024-02-22 cs.AI cs.LG cs.SY
A Time-Frequency Dual-Domain Multi-Scale Convolutional Neural Network for Bearing Fault Diagnosis under Strong Noise
针对强噪声下轴承故障诊断准确率下降问题,提出时频双域多尺度卷积神经网络,融合时域多尺度与频域抗噪特征,在CWRU数据集上强噪声下性能优于多个基准模型。
2026-08-11 cs.LG
Deep Learning for High-Impedance Fault Detection: Convolutional Autoencoders
The University of Western Ontario(西安大略大学)
高阻抗故障(HIF)由于其电流幅度低且特征高度多样化而难以检测。近年来,机器学习(ML)在HIF检测中越来越受欢迎,因为ML技术从数据中学习模式并成功检测HIF。然而,由于这些方法基于监督学习,因此它们不能可靠地检测不存在于训练数据中的任何场景、故障或非故障。因此,本文利用无监督学习,并提出了一个卷积自动编码器的HIF检测框架(CAE-HIFD)。与从正常行为学习的传统自动编码器相反,CAE-HIFD中的卷积自动编码器(CAE)仅从HIF信号学习,从而消除了CAE训练中存在各种非HIF场景的需要。CAE通过采用互相关将HIF与非HIF操作条件区分开。为了区分HIF与电容器或负载切换等瞬态干扰,CAE-HIFD使用峰度,这是一种概率分布形状的统计测量。使用IEEE 13节点测试馈线进行的性能评估研究表明,CAE-HIFD可靠地检测HIF,优于最先进的HIF检测技术,并且对噪声具有鲁棒性。
2021-06-24 cs.LG eess.SP
Fault diagnosis for PV arrays considering dust impact based on transformed graphical feature of characteristic curves and convolutional neural network with CBAM modules
School of Instrumentation and Optoelectronic Engineering, Beihang University(北京航空航天大学仪器科学与光电工程学院);School of Electronics and Information Engineering, Beihang University(北京航空航天大学电子信息工程学院);Department of Electrical and Computer Engineering, University of Calgary(卡尔加里大学电气与计算机工程系)
本文针对灰尘影响下不同二极管配置的PV阵列复杂故障诊断难题,提出基于Isc-Voc归一化GADF图形特征变换和CBAM-CNN的故障诊断方法,实验证明其具有高准确性和可靠性。
2023-03-24 cs.LG eess.SP
A new transformation for embedded convolutional neural network approach toward real-time servo motor overload fault-detection
Shiraz University(设拉子大学);Sharif University of Technology(谢里夫理工大学);Petroleum University of Technology(石油工业大学)
本文提出一种基于新变换的嵌入式CNN方法,通过将电机电流信号转为三维数据堆栈,在低内存微控制器上实现99.9997%准确率的实时过载故障检测,并提出双电机容错系统以降低能耗。
2023-04-08 cs.LG
A Multi-size Kernel based Adaptive Convolutional Neural Network for Bearing Fault Diagnosis
Shanghai University(上海大学);University of Hawai‘i at Mānoa(夏威夷大学马诺阿分校)
轴承故障识别与分析是机械故障诊断领域的一个重要研究方向。针对滚动轴承常见故障,提出了一种基于轴承振动特征的数据驱动诊断算法--基于多尺度核的自适应卷积神经网络(MSKACNN)。MSKACNN使用原始轴承振动信号作为输入,提供振动特征学习和信号分类能力,以识别和分析轴承故障。混球是一种球轴承生产质量问题,由于其需要测量信号的高频率分辨率并导致长的分析时间,因此难以使用传统的频域分析方法来识别。实验表明,所提出的MSKACNN可以提高混球诊断的效率和准确性。为了进一步验证MSKACNN在轴承故障识别中的有效性,开发了轴承振动数据采集系统,并对混球等5种不同故障状态下的滚动轴承进行了振动信号采集。由此产生的数据集被用来分析我们提出的模型的性能。为了验证MSKACNN的自适应能力,还使用了凯斯西储大学轴承数据中心的故障测试数据。试验结果表明,MSKACNN能够对不同的轴承状态进行高精度的识别,具有很强的泛化能力。我们提出了一个实现的MSKACNN作为一个轻量级的模块,实时轴承故障诊断系统,是适合生产。
2022-04-15 cs.AI cs.LG eess.SP
A Fault Detection Scheme Utilizing Convolutional Neural Network for PV Solar Panels with High Accuracy
Lakehead University(湖首大学);University of Toronto(多伦多大学)
本文提出基于CNN的光伏板故障检测方案,通过二分类和多分类实现高精度故障识别,效果优于先前研究。
2022-10-14 cs.CV cs.LG eess.IV
Using Convolutional Neural Networks for fault analysis and alleviation in accelerator systems
Thapar Institute of Engineering and Technology(塔帕尔工程技术学院);PES College of Engineering(PES工程学院)
今天,神经网络是几乎所有技术领域突破的基础。它们在加速器中的应用最近在这些系统中产生了更好的性能和效率。与此同时,由于最新的(缩小的)半导体技术而导致的硬件故障越来越多,需要加以解决。由于加速器系统通常用于支持时间关键型应用,例如自动驾驶汽车或医疗诊断应用,因此必须消除这些硬件故障。我们的研究从系统的角度评估这些失败。基于我们的研究结果,我们发现关键的结果,系统的可靠性增强,我们进一步提出了一种有效的方法,以避免这些故障,以最小的硬件开销。
2021-12-05 cs.LG
TDANet: A Novel Temporal Denoise Convolutional Neural Network With Attention for Fault Diagnosis
Fudan University(复旦大学);Shanghai University(上海大学)
本文提出TDANet模型,通过将一维信号转为二维张量并结合多尺度卷积、时序变量去噪模块和多头注意力融合模块,有效提升噪声环境下的故障诊断准确率。
2024-03-29 cs.AI cs.LG eess.SP
Towards a Safety Case for Hardware Fault Tolerance in Convolutional Neural Networks Using Activation Range Supervision
Intel(英特尔);University of British Columbia(不列颠哥伦比亚大学)
卷积神经网络(CNN)已成为众多安全关键型计算机视觉应用的一部分,包括人机交互和自动驾驶。现实世界的实现将需要保证其鲁棒性,以防止硬件软错误破坏底层平台内存。基于先前观察到的激活裁剪技术的有效性,我们通过证明范围监督代表了一个高度可靠的故障检测器和缓解器,采用八指数浮点数据表示,为分类器CNN构建了一个原型安全案例。我们进一步探索新的,非均匀的范围限制方法,有效地抑制沉默的数据损坏和不可纠正的错误的概率。作为一个安全相关的端到端用例,我们展示了我们的方法在车辆分类场景中的优势,使用ResNet-50和交通摄像机数据集MIOVision。在这项工作中提供的定量证据可以用来激发进一步的和可能更复杂的CNN安全参数。
2021-08-16 cs.LG
Optical Fiber Fault Detection and Localization in a Noisy OTDR Trace Based on Denoising Convolutional Autoencoder and Bidirectional Long Short-Term Memory
ADVA Optical Networking SE(ADVA光网络公司);Kiel University (CAU)(基尔大学(克里斯蒂安-阿尔布雷希茨大学))
光时域反射计(OTDR)已被广泛用于表征光纤链路以及用于检测和定位光纤故障。OTDR迹线容易被不同种类的噪声扭曲,导致后向散射信号的模糊,从而导致误导性解释和更繁琐的事件检测任务。为了解决这个问题,提出了一种新的方法结合去噪卷积自动编码器(DCAE)和双向长短期记忆(BiLSTM),其中前者用于OTDR信号的噪声去除,后者用于故障检测,定位和诊断与去噪信号作为输入。所提出的方法适用于不同水平的输入SNR范围从-5 dB到15 dB的噪声OTDR信号。实验结果表明:(i)DCAE在对OTDR迹线进行去噪方面是有效的,并且优于其他深度学习技术和传统的去噪方法;(ii)BiLSTM实现了96.7%的高检测和诊断准确率,与使用噪声OTDR信号训练的相同模型的性能相比,提高了13.74%。
2022-03-19 cs.LG eess.SP
Rolling bearing fault diagnosis method based on generative adversarial enhanced multi-scale convolutional neural network model
Kunming University of Science and Technology(昆明理工大学)
针对卷积神经网络难以捕捉轴承信号相关特征及样本受限的问题,提出基于生成对抗增强多尺度卷积神经网络模型的方法,通过Gram角场编码、梯度惩罚Wasserstein距离生成对抗网络扩充样本,并结合多尺度卷积与注意力机制提取特征,实验证明其泛化与抗噪性能优于ResNet。
2024-03-21 cs.LG eess.SP
DeVLearn: A Deep Visual Learning Framework for Localizing Temporary Faults in Power Systems
Virginia Tech(弗吉尼亚理工大学)
输电网络中频繁出现的瞬时故障可能预示着即将发生的永久性故障。因此,确定它们的位置是一项关键任务。本文提出了一种新的图像嵌入辅助深度学习框架DeVLearn,用于使用发电机母线上的PMU测量进行故障线路定位。受计算机视觉突破的启发,DeVLearn将测量(一维时间序列数据)表示为二维无阈值递归图(RP)图像。这些RP图像保留了原始时间序列中存在的时间关系,并用于训练深度变分自动编码器(VAE)。VAE学习图像中潜在特征的分布。我们的研究结果表明,对于IEEE 68总线网络中两条不同线路上的故障,DeVLearn能够将PMU测量值投影到二维空间中,使得不同位置的故障数据分离到定义明确的聚类中。然后,该压缩表示可以与现成的分类器一起用于确定故障位置。所提出的框架的有效性证明了在两个发电机总线使用本地电压幅值测量。
2019-11-09 cs.LG cs.SY eess.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
Fusion of Quadratic Time-Frequency Analysis and Convolutional Neural Networks to Diagnose Bearing Faults Under Time-Varying Speeds
Faculty of Information Technology and Communication Sciences, Tampere University(信息科技与通信科学学院,塔尔皮莱大学);Faculty of Medicine and the Department of Clinical Neurophysiology at the University of Helsinki and Helsinki University Hospital(医学学院及赫尔辛基大学临床神经生理学系,赫尔辛基大学医院);Department of Electrical Engineering, Qatar University(电气工程系,卡塔尔大学)
本文提出了一种融合二次时频分析与卷积神经网络的方法,用于在变速条件下诊断轴承故障,实现了较高的诊断准确率。
2026-01-19 cs.AI cs.LG cs.SY
Adversarial adaptive 1-D convolutional neural networks for bearing fault diagnosis under varying working condition
China University of Mining and Technology(中国矿业大学);Xuzhou Medical University(徐州医科大学)
传统的滚动轴承智能故障诊断方法都是基于一个共同的假设,即带标签的训练数据(源域)和未带标签的测试数据(目标域)来自同一个分布。然而,在许多实际应用中,这一假设并不成立,特别是当工作条件变化时。在本文中,一个新的对抗自适应一维CNN称为A2 CNN提出来解决这个问题。A2CNN由源特征提取器、目标特征提取器、标签分类器和域分类器四部分组成。在训练阶段,源和目标特征提取器之间的层被部分解开,以兼顾训练效率和域适应性。实验表明,A2CNN具有较强的故障判别能力和领域不变性,因此在不同的工作条件下都能达到较高的准确率。我们还可视化了学习的特征和网络,以探索我们提出的模型高性能背后的原因。
2018-05-09 cs.LG cs.SD eess.AS
Fault detection and diagnosis for the engine electrical system of a space launcher based on a temporal convolutional autoencoder and calibrated classifiers
本文提出一种基于时序卷积自编码器与校准梯度提升分类器的航天运载火箭发动机电气系统故障检测与诊断框架,可估计置信度、识别分布外数据并控制虚警,在仿真数据上验证了其有效性。
2025-07-17 cs.LG
FT-CNN: Algorithm-Based Fault Tolerance for Convolutional Neural Networks
University of California, Riverside(加州大学河滨分校);Argonne National Laboratory(阿贡国家实验室);Oak Ridge National Laboratory(橡树岭国家实验室)
卷积神经网络(CNN)在解决许多领域的挑战性和关键性问题方面变得越来越重要。CNN推理应用已经部署在安全关键系统中,这些系统可能会遭受由高能粒子、高温或异常电压引起的软错误。至关重要的是确保CNN推理过程对软错误的稳定性。传统的容错方法不适用于CNN推理,因为纠错码无法保护计算组件,指令复制技术会产生很高的开销,并且现有的基于算法的容错(ABFT)技术无法保护所有卷积实现。在本文中,我们专注于如何尽可能有效地保护CNN推理过程免受软错误的影响,有以下三个贡献。(1)本文提出了几种基于校验和技术的ABFT系统方案,并对其故障保护能力和运行时间进行了深入的分析,与传统的基于矩阵-矩阵乘法的ABFT不同,我们的方案支持任何卷积实现。(2)我们设计了一个新的工作流程集成所有建议的方案,以获得高的检测/校正能力,有限的总运行时开销。(3)我们使用ImageNet和知名的CNN模型进行评估,包括AlexNet、VGG-19、ResNet-18和YOLOv 2。实验结果表明,我们的实现可以处理软错误非常有限的运行时开销(4%~8%在无错误和错误注入的情况下)。
2020-09-07 cs.DC cs.LG
Assessing the Generalization of Graph Neural Networks for Fault Location Across Increasing Distributed Energy Resource Penetration Levels
本文以配电网故障定位为研究问题,通过系统基准测试STGATv2与GRU、GATv2等模型,发现STGATv2在不同DER渗透率场景下的泛化能力及抗噪声性能显著优于基线模型,为主动配电网故障定位提供了鲁棒方案。
2026-08-03 cs.LG cs.SY eess.SY
PPGN: Physics-Preserved Graph Networks for Real-Time Fault Location in Distribution Systems with Limited Observation and Labels
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
提出物理保留图网络PPGN,通过两阶段图神经网络架构在观测与标签受限下实现配电系统节点级实时故障定位,并在IEEE测试馈线上验证其优于基线分类器。
2022-11-12 cs.LG cs.SY eess.SY
Convolutional Neural Networks for Reflective Event Detection and Characterization in Fiber Optical Links Given Noisy OTDR Signals
ADVA Optical Networking SE(ADVA光网络公司);Kiel University(基尔大学)
快速、准确地检测和定位光缆故障对保证光网络的生存性和可靠性至关重要。因此,迫切需要开发一种自动和可靠的算法,用于利用由光时域反射仪(OTDR)仪器获得的遥测数据进行实时光纤故障检测和诊断。在本文中,我们提出了一种新的基于卷积神经网络(CNN)的数据驱动的方法来检测和表征的光纤反射故障给定的噪声模拟OTDR数据,其SNR(信噪比)值从0 dB到30 dB变化,结合反射事件模式。在我们的模拟中,我们实现了更高的检测能力,低误报率和更大的定位精度,即使在低信噪比值相比,传统的技术。
2022-03-19 cs.LG eess.SP
Determination of Fault Location in Transmission Lines with Image Processing and Artificial Neural Networks
为了以连续和高质量的方式传输电能,有必要从生产点到消费点对其进行控制。因此,在从生产到消费的每个阶段,输电和配电线路的保护都是必不可少的。在系统发生短路时,应尽快停用电气装置中保护继电器的主要功能。该系统最重要的部分是能量传输线路和保护这些线路的距离保护继电器。准确的误差定位技术是快速有效工作的前提。Transformer中性点接地影响电力系统单相接地故障时零分量电流的运行。考虑到接地系统和保护系统之间的关系,应做出适当的接地选择。人工神经网络(ANN)已被用于准确定位输电线路不同接地系统的短路故障。在PSCAD-EMTDC仿真程序中建立了输电线路模型。通过记录在不同接地系统中产生的短路故障中距离保护继电器的R-X阻抗图的阻抗变化的图像来创建数据集。利用特征提取和图像处理技术,对图像中的相关焦点进行了介绍,并选择了故障位置估计精度最高的神经网络模型。
2021-02-22 cs.LG eess.IV eess.SP
Knowledge Distillation and Enhanced Subdomain Adaptation Using Graph Convolutional Network for Resource-Constrained Bearing Fault Diagnosis
Department of Electrical and Computer Engineering, Tarbiat Modares University, Iran(电子与计算机工程系,塔里比亚特·莫达雷斯大学,伊朗);Faculty of Engineering and Technology, University of Mazandaran, Iran(工程与技术学院,马赞德兰大学,伊朗);Department of Medicine, Baylor College of Medicine, USA(医学系,贝勒医学院,美国)
针对变工况下轴承故障诊断缺乏标注数据、分布差异和资源受限问题,提出基于图卷积网络的渐进式知识蒸馏框架,并引入增强局部最大均方差异实现子域自适应,在降低计算成本的同时提升了诊断准确率。
2025-01-13 cs.LG eess.SP
Robustness of Spatio-temporal Graph Neural Networks for Fault Location in Partially Observable Distribution Grids
Ghent University -- imec(根特大学--imec)
本文提出STGNN模型,通过对比不同图构建策略,提升配电网络故障定位的鲁棒性和效率,实验显示STGNN在F1得分和稳定性上优于RNN基线。
2026-05-08 cs.LG
A Novel Visual Fault Detection and Classification System for Semiconductor Manufacturing Using Stacked Hybrid Convolutional Neural Networks
Chemnitz University of Technology(开姆尼茨工业大学)
本文提出基于堆叠混合卷积神经网络(SH-CNN)的多阶段视觉检测系统,通过视觉注意力机制在高分辨率半导体图像中实现像素级缺陷检测与分类,并在早期制造阶段消除缺陷模式,优于现有学习方法。
2024-06-07 cs.CV cs.LG eess.IV
Lidar Cloud Detection with Fully Convolutional Networks
Pacific Northwest National Laboratory(西北太平洋国家实验室)
在这篇文章中,我们提出了一种新的方法分割激光雷达(lidar)图像的几何时间高度云的位置与全卷积网络(FCN)。我们描述了一种半监督学习方法来训练的FCN:预训练的FCN与图像级注释的分类层,预训练整个FCN的MPLCMASK云掩模算法的云位置,和完全监督学习与手工标记的云位置。我们表明,该模型实现了更高水平的云识别相比,云掩模算法的实现。
2018-07-11 cs.LG stat.ML
An Advanced Convolutional Neural Network for Bearing Fault Diagnosis under Limited Data
Nanjing University of Science and Technology(南京理工大学);Tiangong University(天津大学);Xidian University(西安电子科技大学);Tianjin University(天津大学);Victoria University(维多利亚大学);La Trobe University(拉筹伯大学)
针对有限数据下轴承故障诊断中数据增强质量差和CNN难以提取全局特征的问题,提出DAC-FCF框架,结合CCLR-GAN生成多样数据、对比学习建模样本关系及1D-FCNN提取全局特征,在CWRU和自采数据集上分别提升32%和10%。
2025-09-14 cs.AI cs.CE cs.LG
Transfer Learning for Fault Diagnosis of Transmission Lines
New Jersey Institute of Technology(新泽西理工学院)
最近的基于人工智能的方法在使用神经网络实时感测和检测输电线路故障以及估计其位置方面显示出巨大的前景。包括具有各种长度的传输线的电力系统的扩展使得故障检测、分类和位置估计过程更具挑战性。输电线路数据集是由各种传感器连续采集的流数据,因此需要通用的快速故障诊断方法。包括电压和电流的新收集的数据集可能没有足够的和准确的标签(故障和无故障),这些标签对训练神经网络有用。提出了一种基于预训练LeNet-5卷积神经网络的新型迁移学习框架。该方法能够通过将来自源卷积神经网络的知识转移到预测不同的目标数据集来诊断不同传输线路长度和阻抗的故障。通过传递这些知识,与现有方法相比,可以更快,更有效地诊断来自各种输电线路的故障,而无需足够的标签。为了证明这种方法的可行性和有效性,七个不同的数据集,包括不同长度的传输线使用。所提出的方法对发电机电压波动,故障距离,故障起始角,故障电阻,和两个发电机之间的相位差的变化的鲁棒性,从而证明其在输电线路故障诊断的实用价值。
2022-01-20 cs.AI cs.LG
Convolutional Mixture Density Recurrent Neural Network for Predicting User Location with WiFi Fingerprints
使用WiFi指纹预测智能手机用户活动是近年来室内定位的流行方法。然而,这样的高维时间序列预测问题可能非常棘手。为了解决这个问题,我们提出了一种新的深度学习模型,卷积混合密度循环神经网络(CMDRNN),它结合了卷积神经网络,递归神经网络和混合密度网络的优势。在我们的模型中,CNN子模型用于检测高维输入的特征,RNN子模型用于捕获时间依赖性,MDN子模型用于预测最终输出。为了验证该方法的有效性,我们在真实数据集上进行了实验,实验结果表明了该方法的有效性。
2019-11-21 cs.LG eess.SP stat.ML
GCN-ABFT: Low-Cost Online Error Checking for Graph Convolutional Networks
Democritus University of Thrace(德谟克利特色雷斯大学);Siemens EDA(西门子EDA)
针对GCN加速器中随机硬件故障的计算错误检测开销问题,提出GCN-ABFT方法,通过直接计算单层内三矩阵乘积的校验和,在保持故障检测精度的同时平均减少21%以上的校验和计算操作。
2024-12-24 cs.AR cs.LG
Research on an intelligent fault diagnosis method for nuclear power plants based on ETCN-SSA combined algorithm
Xiamen University(厦门大学);Fujian Ningde Nuclear Power Co., Ltd.(福建宁德核电有限公司)
本文提出结合增强时间卷积网络(ETCN)与麻雀搜索算法(SSA)的核电厂智能故障诊断方法,在CPR1000仿真数据集上验证,性能优于其他先进方法,可提升运行可靠性。
2024-11-11 cs.AI cs.LG eess.SP
Deep Convolutional Autoencoder for Assessment of Drive-Cycle Anomalies in Connected Vehicle Sensor Data
Michigan Technological University(密歇根理工大学);New York University School of Medicine(纽约大学医学院);Ford Motor Company(福特汽车公司)
提出一种全卷积自编码器,通过重建混合动力车动力总成多元传感器时序数据来无监督检测驾驶循环异常,实验证明其优于传统异常检测器和其他深度学习方法。
2024-09-09 cs.LG cs.NE
A hybrid feature learning approach based on convolutional kernels for ATM fault prediction using event-log data
Marche Polytechnic University(马尔凯理工大学);University of Macerata(马切拉塔大学)
针对ATM事件日志数据故障预测的特征提取挑战,提出基于卷积核(MiniROCKET和HYDRA)与线性分类器的混合预测模型,实验证明其优于现有方法并已集成至决策支持系统。
2023-05-17 cs.AI cs.LG
Finding One's Bearings in the Hyperparameter Landscape of a Wide-Kernel Convolutional Fault Detector
Semantic Information Systems Group, Osnabrück University(奥斯纳布鲁克大学语义信息系统组);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
该研究针对轴承故障检测神经网络超参数适配新数据的问题,结合多数据集与改造实验分析宽核CNN架构专属超参数的影响规律,推翻了高频噪声是宽核优势主因的推测,给出新数据下的超参数设置指导。
2025-05-16 cs.AI cs.LG 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
On Translation Invariance in CNNs: Convolutional Layers can Exploit Absolute Spatial Location
Delft University of Technology(代尔夫特理工大学)
在本文中,我们挑战了现代CNN中卷积层是平移不变的常见假设。我们表明,CNN可以并且将会通过学习过滤器来利用绝对空间位置,这些过滤器通过利用图像边界效应专门响应特定的绝对位置。由于现代CNN滤波器具有巨大的感受野,这些边界效应甚至在远离图像边界的地方起作用,使网络能够利用整个图像的绝对空间位置。我们给出了一个简单的解决方案,以消除空间位置编码,提高了平移不变性,从而提供了一个更强的视觉归纳偏见,特别是有利于小数据集。我们广泛地展示了这些好处的几个架构和各种应用程序,如图像分类,补丁匹配,和两个视频分类数据集。
2020-05-30 cs.CV cs.LG eess.IV
TFN: An Interpretable Neural Network with Time-Frequency Transform Embedded for Intelligent Fault Diagnosis
Shanghai Jiao Tong University(上海交通大学)
针对CNN黑箱特性限制高可靠故障诊断应用的问题,提出嵌入物理意义时频变换的可解释时频网络TFN,通过核约束的时频卷积层提取故障时频信息,兼顾诊断性能与频域可解释性,且可推广至不同深度CNN。
2023-06-19 cs.AI cs.LG eess.SP
Isolation and Localization of Unknown Faults Using Neural Network-Based Residuals
Linköping University(林雪平大学)
工业系统中未知故障的定位是数据驱动诊断方法的一个难题。许多机器学习方法的分类性能依赖于训练数据的质量。可以使用例如异常分类器来检测未知故障,例如未在训练数据中表示的故障。然而,将这些未知故障映射到真实系统中的实际位置是一个重要的问题。在基于模型的诊断中,基于物理的模型用于创建残差,通过将模型方程映射到故障系统组件来隔离故障。开发足够精确的物理模型可能是一个耗时的过程。结合基于物理的方法和机器学习的混合建模方法是设计用于故障隔离的数据驱动残差的一种解决方案。在这项工作中,一组基于神经网络的残差设计的残差模型结构中的系统行为的物理见解。残差仅使用无故障数据进行训练,仿真案例研究表明,它们可以用于执行系统中未知故障的故障隔离和定位。
2019-10-12 cs.LG eess.SP stat.ML
FAT: Training Neural Networks for Reliable Inference Under Hardware Faults
Xilinx Research Labs(赛灵思研究实验室)
深度神经网络(DNN)是用于多种应用的最先进算法,从图像分类到语音识别。在提供出色的准确性的同时,它们通常具有巨大的计算和内存需求。因此,量化神经网络(QNN)越来越多地被采用和部署,特别是在嵌入式设备上,这不仅是因为它们的高准确性,而且还因为与浮点等效网络相比,它们的计算和内存要求显着降低。QNN部署也正在评估安全关键应用,如汽车,航空电子,医疗或工业。这些系统需要功能安全,即使在存在硬件故障的情况下也能保证无故障行为。一般来说,容错可以通过向系统添加冗余来实现,这进一步加剧了总体计算需求,并且使得难以满足功率和性能要求。为了降低实现功能安全的硬件成本,探索可以利用DNN固有特性的特定领域解决方案至关重要。在这项工作中,我们提出了一种新的方法,称为故障感知训练(FAT),其中包括错误建模过程中的神经网络(NN)的训练,使QNN弹性设备上的特定故障模型。我们的实验表明,通过在训练过程中在卷积层中注入故障,可以训练出高度准确的卷积神经网络(CNN),与原始网络相比,CNN具有更好的容错能力。此外,我们表明,冗余系统,这是建立从QNN训练FAT实现更高的最坏情况下的准确性,以较低的硬件成本。这已经在许多分类任务中得到验证,包括CIFAR10,GTSRB,SVHN和ImageNet。
2020-11-11 cs.CV cs.LG
An Intelligent Approach to Detecting Novel Fault Classes for Centrifugal Pumps Based on Deep CNNs and Unsupervised Methods
University of Tehran(德黑兰大学)
本文针对离心泵故障诊断中未知故障信息不足的问题,提出结合深度卷积神经网络、t-SNE 与聚类技术的两阶段方法,先训练已知故障模型,再检测并增量学习新型故障,实验验证了其高准确率。
2023-09-22 cs.LG
An Empirical Evaluation of Current Convolutional Architectures' Ability to Manage Nuisance Location and Scale Variability
University of California Los Angeles(加州大学洛杉矶分校)
我们进行了一项实证研究,以测试卷积神经网络(CNN)的能力,以减少滋扰转换的输入数据,如位置,规模和纵横比的影响。我们通过采用一个通用的卷积架构来隔离因素,该架构可以在图像上全局部署以计算类后验分布,也可以在本地限制以计算类条件分布,给定由建议算法确定的边界框的位置,规模和纵横比。从理论上讲,与适当的边缘化相比,平均后者的表现应该会较差。然而,经验证据表明相反的情况,这让我们得出结论,在当前卷积架构的复杂程度和用于训练它们的数据集的规模下,CNN在边缘化讨厌的变异性方面不是很有效。我们还量化了上下文对整体分类任务的影响及其对CNN性能的影响,并提出了改进的启发式建议方案的采样技术,将端到端性能提高到最先进的水平。我们使用ImageNet Challenge基准测试分类任务,并使用Oxford和Fischer的数据集在宽基线匹配任务上测试我们的假设。
2016-04-28 cs.CV cs.LG cs.NE
Deep Learning-Assisted Improved Differential Fault Attacks on Lightweight Stream Ciphers
School of Computing and Data Science, Xiamen University Malaysia(厦门大学马来西亚分校计算机与数据科学学院)
本文研究了基于深度学习的差分故障攻击在轻量级流密码中的可行性,开发了多层感知机模型来识别故障位置,并提出了基于阈值的方法优化密钥恢复过程,实验结果显示攻击复杂度低于现有方法,同时为ATOM密码提供了首次实验结果。
2026-05-19 cs.CR cs.LG
Which Neural Network to Choose for Post-Fault Localization, Dynamic State Estimation and Optimal Measurement Placement in Power Systems?
Moscow Institute of Physics and Technology(莫斯科物理技术学院);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);University of Arizona(亚利桑那大学);Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
我们考虑一个电力传输系统监测相量测量单元(PMU)放置在重要的,但不是所有的,系统的节点。假设有足够数量的不同的单线故障,特别是故障前的状态和(未清除)故障后的状态,记录的PMU和可用于训练,我们,首先,设计一个全面的序列的神经网络(NN)定位故障线路。序列中不同的神经网络的性能,包括线性回归,前馈神经网络,AlexNet,图形卷积神经网络,神经线性常微分方程和神经图形为基础的常微分方程,根据所涉及的潮流物理的类型和数量排序,比较不同水平的可观测性。其次,我们建立了一系列先进的电力系统动态信息和神经元ODE基于机器学习计划的训练,给定故障前的状态,预测故障后的状态,也并行,估计系统参数。最后,第三,并继续与第一(故障定位)设置,我们设计了一个(基于神经网络)的算法,发现最佳PMU的位置。
2021-04-07 cs.LG physics.data-an physics.soc-ph
Calibration and Uncertainty Quantification of Bayesian Convolutional Neural Networks for Geophysical Applications
Earth Science Analytics(地球科学分析公司)
深度神经网络在地球科学中提供了许多潜在的应用,例如,人们可以说它们是预测地震数据集中断层的最先进方法。在定量储层表征工作流程中,通常合并预测的不确定性,因此此类地下模型应在其预测中提供校准的概率和相关的不确定性。研究表明,流行的基于深度学习的模型经常被错误校准,并且由于其确定性,无法解释其预测的不确定性。我们比较了三种不同的方法来获得概率模型的基础上卷积神经网络在贝叶斯形式主义,即深度集成,混凝土辍学,和随机加权平均高斯(SWAG)。这些方法始终适用于故障检测案例研究,其中Deep Ensembles使用独立训练的模型来提供故障概率,Concrete Dropout代表了对流行的Dropout技术的扩展,以近似贝叶斯神经网络,最后,我们应用SWAG,这是一种基于小批量随机梯度下降的贝叶斯推理等价性的最新方法。我们提供定量结果的模型校准和不确定性表示,以及定性结果的合成和真实的地震数据集。我们的研究结果表明,近似贝叶斯方法,混凝土辍学和SWAG,都提供了良好的校准的预测和不确定性属性在较低的计算成本相比,基线深度包围的方法。由此产生的不确定性也提供了进一步提高模型性能以及增强模型可解释性的可能性。
2021-05-25 cs.CV cs.LG physics.geo-ph