FedLED: Label-Free Equipment Fault Diagnosis with Vertical Federated Transfer Learning
针对联邦迁移学习在设备故障诊断中面临样本异质性和标签稀缺问题，提出首个无监督垂直联邦迁移学习方法FedLED，利用无标签目标域知识，显著提升诊断准确率（高达4.13倍）和泛化性。
2023-12-29 cs.AI cs.LG
Domain Adaptive Transfer Learning for Fault Diagnosis
ETH Zürich（苏黎世联邦理工学院）
由于车队中工业资产的数字化，将故障诊断模型从一台机器转移到另一台机器的雄心勃勃的目标引起了人们的极大兴趣。解决这些领域自适应迁移学习任务有可能节省大量手动标记数据和修改同一机队中新机器的模型的工作。虽然数据驱动方法在故障诊断应用中显示出巨大的潜力，但由于它们倾向于过拟合训练集，因此它们对新机器和新工作条件的概括能力有限。这个问题的一个有前途的解决方案是使用域自适应技术。它旨在提高目标新机器上的模型性能。受其在计算机视觉中成功实施的启发，我们将领域对抗神经网络（DANN）引入到我们的环境中，以及以前故障诊断研究中存在的其他两种流行方法。然后，我们仔细证明这些方法在现实的故障诊断设置的适用性，并提供了一个统一的实验协议，公平比较域自适应方法故障诊断问题。
2019-05-15 cs.LG stat.AP stat.ML
Weighted Joint Maximum Mean Discrepancy Enabled Multi-Source-Multi-Target Unsupervised Domain Adaptation Fault Diagnosis
Zhejiang University（浙江大学）；University of Illinois Urbana–Champaign Institute（伊利诺伊大学厄巴纳-香槟分校研究院）；Huazhong University of Science and Technology（华中科技大学）
本文提出加权联合最大均值差异实现的多源-多目标无监督域适应方法（WJMMD-MDA），通过改进的加权距离损失实现多源域与多目标域间的域对齐，学习域不变且具判别性的特征，首次在故障诊断领域实现多源-多目标场景下的跨域诊断，并在三个数据集上验证了其优越性。
2023-11-23 cs.AI cs.LG
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
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
Multi-output Classification for Compound Fault Diagnosis in Motor under Partially Labeled Target Domain
KAIST（韩国科学技术院）
针对电机复合故障诊断中部分标记目标域和共存故障的挑战，提出集成MKMMD、EM损失与FLN的多输出分类框架，提升特征迁移性与诊断精度，在6个域适应案例中宏F1分数优于基线方法。
2025-03-15 cs.LG
Deep Transfer Network with Joint Distribution Adaptation: A New Intelligent Fault Diagnosis Framework for Industry Application
Tsinghua University（清华大学）
近年来，用于智能状态监测和诊断的深度学习模型以及用于机械系统和结构的机器学习越来越受欢迎。然而，在以前的研究中，默认接受的一个主要假设是训练和测试数据来自相同的特征分布。然而，这种假设在实际应用中往往是无效的，导致传统的诊断方法缺乏一定的适用性。受迁移学习思想的启发，该思想利用从源域中丰富的标记数据中学习的知识来帮助诊断新的但相似的目标任务，提出了一种新的智能故障诊断框架，即，提出了一种将深度学习模型推广到领域自适应场景的深度传输网络DTN。通过将边缘分布自适应（MDA）扩展为联合分布自适应（JDA），该框架利用源域中与标记数据相关的判别结构来适应未标记目标数据的条件分布，从而保证更准确的分布匹配。对三个故障数据集的大量实证评估验证了DTN的适用性和实用性，同时在不同的操作条件、故障严重程度和故障类型方面实现了许多最先进的传输结果。
2018-04-18 cs.LG stat.ML
Few-Shot Bearing Fault Diagnosis Based on Model-Agnostic Meta-Learning
Georgia Institute of Technology（佐治亚理工学院）；University of California, Berkeley（加州大学伯克利分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
人工智能和深度学习的快速发展为进一步提高工业网络物理系统（CPS）的安全性、稳定性和准确性提供了许多机会。作为许多关键任务CPS资产和设备不可或缺的组件，机械轴承需要进行监测，以识别任何异常情况的痕迹。大多数应用于轴承故障诊断的数据驱动方法都是使用大量的故障数据进行训练的先验。然而，在许多实际应用中，为每个故障类别收集足够的数据样本可能是不安全和耗时的，使得训练鲁棒分类器具有挑战性。在本文中，我们提出了一个少样本学习框架的轴承故障诊断模型不可知元学习（MAML），其目标是训练一个有效的故障分类器使用有限的数据。此外，它可以利用训练数据并学习更有效地识别新的故障场景。新的人工故障的推广的案例研究表明，该框架实现了高达25%的整体精度高于基于暹罗网络的基准研究。最后，将该框架应用于实际轴承损伤识别，并与6种基于一致性测试环境的少样本学习算法进行了比较，进一步验证了该框架的鲁棒性和泛化能力.
2021-06-24 cs.LG stat.ML
Fault diagnosis for open-circuit faults in NPC inverter based on knowledge-driven and data-driven approaches
本研究针对中性点箝位式逆变器的开路故障诊断与定位问题进行分析。针对NPC逆变器绝缘栅双极晶体管（IGBT）开路故障，提出了一种基于知识驱动和数据驱动的故障诊断方法，并采用知识驱动的Concordia变换和数据驱动的随机森林（RFs）技术提高了故障诊断分类器的鲁棒性。首先，分析和提取了NPC逆变器在正常状态和开路故障状态下的交流故障特征数据。其次，采用Concordia变换对故障样本进行处理，验证了电流轨迹的斜率不受负载的影响，从而降低了对故障数据的过度依赖。然后采用变换后的故障样本对RFs故障诊断分类器进行训练，故障诊断结果表明，故障诊断分类器的分类精度和鲁棒性得到了提高。在线故障诊断实验结果表明，该分类器能够在不同负载条件下对NPC逆变器IGBT开路故障进行定位。
2022-10-31 cs.LG eess.SP
Fault Diagnosis for Power Electronics Converters based on Deep Feedforward Network and Wavelet Compression
Northeast Electric Power University（东北电力大学）；Technical University of Denmark（丹麦技术大学）
提出了一种基于深度前馈网络和小波压缩的电力电子变换器故障诊断方法。利用小波压缩后的暂态历史数据实现故障诊断分类器的训练。首先，对各种故障状态下的电压或电流数据进行相关性分析，去除冗余特征和采样点。其次，利用小波变换去除特征的冗余数据，进而对训练样本数据进行大幅度压缩。深度前馈网络利用特征的低频分量进行训练，大大加快了训练速度。故障诊断分类器的平均准确率可达97%以上。最后，对故障诊断分类器进行了测试，利用多组暂态数据确定了最终的诊断结果，提高了诊断结果的可靠性。实验结果表明，该分类器具有较强的泛化能力，能够准确定位IGBT开路故障。
2022-10-27 cs.LG eess.SP
Data-Driven Fault Diagnosis Analysis and Open-Set Classification of Time-Series Data
Linköping University（林雪平大学）
动态系统的故障诊断是通过检测时间序列数据中的变化来完成的，例如由系统退化和故障部件引起的残差。使用通用的多类分类方法进行故障诊断是复杂的不平衡的训练数据和未知的故障类别。另一个复杂的因素是，不同的故障类别可能会导致类似的残差输出，特别是对于小故障，这会导致分类模糊。在这项工作中，数据驱动的分析和开集分类的框架开发的故障诊断应用程序使用库尔贝克-莱布勒散度。提出了一种数据驱动的故障分类算法，可以处理不平衡数据集，类重叠，和未知的故障。此外，提出了一种算法来估计故障的大小时，训练数据包含已知的故障实现的信息。所提出的框架的一个优点是，它也可以用于故障诊断性能的定量分析，例如，分析它是多么容易分类不同幅度的故障。为了评估所提出的方法的有用性，多个数据集从不同的故障情况下，已收集从内燃机试验台，以说明数据驱动的诊断系统的设计过程，包括定量故障诊断分析和评价开发的开集故障分类算法。
2022-08-11 cs.LG eess.SP stat.ML
Fault Diagnosis of Rotary Machines using Deep Convolutional Neural Network with three axis signal input
最近的趋势集中在工业4.0概念和智能制造上，数据驱动的故障诊断是基于状态的维护的关键主题。故障诊断被认为是旋转机械中的一项重要任务，因为早期检测和诊断故障状态的可能性可以节省时间和金钱。传统的数据驱动的故障诊断技术需要信号处理来进行特征提取，因为它们无法处理原始信号数据，从而导致需要专家知识和人工工作。深度学习架构在基于状态的维护中的出现有望确保高性能的故障诊断，同时降低对专家知识和人工工作的需求。本文提出了基于深度学习的旋转机械数据驱动故障诊断技术。所提出的技术将原始三轴加速度计信号作为高清图像输入到深度学习层，该层自动提取信号特征，从而实现高分类精度。
2019-10-24 cs.LG eess.SP stat.ML
Gated Recurrent Unit based Autoencoder for Optical Link Fault Diagnosis in Passive Optical Networks
ADVA Optical Networking SE（ADVA光网络公司）；Christian-Albrechts-Universität zu Kiel（基尔大学）
我们提出了一种基于自动编码器的深度学习方法，用于识别和定位无源光网络中的光纤故障。实验结果表明，所提出的方法检测故障的准确率为97%，精确定位它们的RMSE为0.18米，优于传统的技术。
2022-03-19 cs.LG eess.SP
Fault Diagnosis and Quantification for Photovoltaic Arrays based on Differentiable Physical Models
College of Mechanical and Electrical Engineering, Hohai University（河海大学机械与电子工程学院）；Concordia Institute for Information Systems Engineering, Concordia University（康科德大学信息系统工程研究所）；AAU Energy, Aalborg University（奥胡斯大学能源研究所）
本文提出基于可微物理模型的光伏阵列故障量化方法，通过梯度优化实现高精度故障诊断与量化。
2025-12-18 cs.LG eess.SP
Multi-label Classification for Fault Diagnosis of Rotating Electrical Machines
Obuda University（欧布达大学）；Kalman Kando Faculty of Electrical Engineering（卡尔曼·坎多电气工程学院）；Institute of Automation（自动化研究所）
主要致力于现代工业自动化中电机和驱动系统的故障检测与诊断（FDI）。机器学习技术的广泛使用使得可以用更有效的解决方案来取代传统的电机故障检测技术，这些解决方案能够通过使用大量的传感数据来进行早期故障识别。然而，在存在干扰噪声或多个故障导致特征重叠的情况下，并发故障的检测仍然是一个挑战。这项工作的贡献是提出了一种新的方法，使用多标签分类方法，同时诊断多个故障和评估故障的严重性，在嘈杂的条件下。比较了各种多标签分类模型的性能。在正常和故障条件下采集电流和振动信号。实验验证了所提出的方法的适用性，在不同的故障条件下，如不平衡和不对中。
2019-08-02 cs.LG eess.SP
Fault diagnosis for three-phase PWM rectifier based on deep feedforward network with transient synthetic features
Northeast Electric Power University（东北电力大学）；Technical University of Denmark（丹麦技术大学）
三相PWM整流器以其优良的性能和潜在的优势在工业上得到了广泛的应用。然而，当IGBT发生开路故障时，系统不会突然崩溃，性能会下降，例如电压波动和电流谐波。为了减少对故障数学模型的依赖，提出了一种基于暂态综合特征的深度前馈网络故障诊断方法，主要利用暂态相电流对深度前馈网络分类器进行训练。本文首先分析了故障相电流的特点。其次，利用特征合成后的历史故障数据对深度前馈网络分类器进行训练，对暂态合成故障数据的平均故障诊断准确率可达97.85%，用暂态合成特征训练的分类器与原始暂态特征相比，性能提高了1%以上。最后，通过在线故障诊断实验表明，该方法能够准确定位故障IGBT，且最终诊断结果由多组结果共同决定，能够提高诊断结果的准确性和可靠性。(c)2020年ISA。由Elsevier Ltd.出版。保留所有权利。
2022-11-01 cs.AI cs.LG eess.SP
Neural Architecture Search For Fault Diagnosis
National Space Science Center.CAS（中国科学院国家空间科学中心）；University of Chinese Academy of Sciences（中国科学院大学）；Science and Technology on Complex Aviation System Simulation Laboratory（复杂航空系统仿真科学与技术实验室）
数据驱动方法在故障诊断中取得了很大的进展，尤其是深度学习方法。深度学习适用于处理大数据，具有很强的特征提取能力，可以实现端到端的故障诊断系统。但设计神经网络架构需要丰富的专业知识和调试经验，还需要大量的实验来筛选模型和超参数，增加了深度学习模型的开发难度。近年来，神经结构搜索（Neural Architecture Search，NAS）发展迅速，成为深度学习的下一个发展方向。提出了一种基于强化学习的NAS故障诊断方法。一个递归神经网络被用来作为代理生成网络结构。生成的网络在验证数据集上的准确性作为奖励反馈给代理，并通过策略梯度算法更新代理的参数。利用PHM 2009 Data Challenge齿轮箱数据集验证了该方法的有效性，并与其他人工设计的网络结构进行了比较，取得了较好的效果。据作者所知，这是第一次将NAS应用于故障诊断。
2020-02-19 cs.LG eess.SP
Integrated Approach of Gearbox Fault Diagnosis
Indian Institute of Technology Patna（印度理工学院巴特那分校）；Institute of Engineering & Technology（工程与技术学院）
针对工业系统齿轮箱故障易引发严重损失的问题，提出结合微积分增强能量算子预处理与多类支持向量机的集成故障诊断方法，经对比验证效果良好，可推广至各类工业系统。
2023-08-27 cs.LG eess.SP
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
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
Deep Learning Approach to Bearing and Induction Motor Fault Diagnosis via Data Fusion
University of Ottawa（渥太华大学）；University of Firat（菲拉特大学）
本文提出利用CNN处理加速度计和麦克风数据，并通过LSTM融合传感器信息，实现轴承和感应电机的故障诊断，强调数据融合优势并推动多传感器数据采集。
2026-09-09 cs.LG eess.SP
Data-driven design of fault diagnosis for three-phase PWM rectifier using random forests technique with transient synthetic features
三相脉宽调制（PWM）整流器在绝缘栅双极晶体管（IGBT）发生开路故障时通常能维持运行，这将导致系统不稳定和不安全。针对这一问题，提出一种基于瞬态综合特征随机森林的数据驱动在线故障诊断方法，以及时有效地定位IGBT开路故障。首先，通过分析三相PWM整流器中IGBT开路故障特征，发现故障特征的出现与故障发生的位置和时间有关，故障特征并不总是随故障的发生而立即出现。其次，对不同的数据驱动的故障诊断方法进行了比较和评价，随机森林算法的性能优于支持向量机和人工神经网络。同时，采用瞬态综合特征训练的故障诊断分类器的准确率高于采用原始特征训练的故障诊断分类器。采用乘性特征训练的随机森林故障诊断分类器的故障诊断准确率最高，达到98.32%。最后进行了在线故障诊断实验，实验结果验证了该方法的有效性，能够在保证系统安全的前提下准确定位IGBT开路故障。
2022-11-02 cs.AI eess.SP
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
A BiLSTM-CNN based Multitask Learning Approach for Fiber Fault Diagnosis
提出了一种新的基于堆叠双向长短期记忆（BiLSTM）网络和卷积神经网络（CNN）的多任务学习方法，用于检测、定位、表征和识别光纤故障。它优于传统的技术。
2022-02-16 eess.SP
Data fusion techniques for fault diagnosis of industrial machines: a survey
在工程学科中，预测性维护技术在提高工业机器的系统安全性和可靠性方面发挥着至关重要的作用。由于采用了关键和新兴的检测技术和大数据分析工具，数据融合方法越来越受欢迎。本文综述了数据融合技术在预知维修中的研究进展，重点介绍了其在机械故障诊断中的应用。在这篇综述中，主要目标是对现有文献进行分类，并报告最新的研究和方向，以帮助研究人员和专业人员对主题领域有一个清晰的了解。本文首先总结了故障诊断的基本数据融合策略。在此基础上，对不同层次的数据融合方法在工业机械故障诊断中的应用进行了全面的研究。最后，讨论了基于数据融合的故障诊断的挑战，机遇和未来的发展趋势。
2022-11-17 eess.SP
FaultGPT: Industrial Fault Diagnosis Question Answering System by Vision Language Models
针对单模态故障诊断方法难以利用多模态数据的问题，提出FaultGPT模型，通过构建FDQA指令数据集、设计多尺度跨模态图像解码器，在不增加LVLM参数的前提下实现端到端故障诊断问答，经多场景实验验证性能与适配性优异。
2025-02-21 cs.ET eess.SP
Residual Generation Using Physically-Based Grey-Box Recurrent Neural Networks For Engine Fault Diagnosis
数据驱动的故障诊断是复杂的未知故障类别和有限的训练数据，从不同的故障实现。在这些情况下，传统的多类分类方法是不适合的故障诊断。一种解决方案是使用仅使用标称数据训练的异常分类器。异常分类器可用于检测故障何时发生，但很少提供有关其根本原因的信息。混合故障诊断方法相结合的物理模型和可用的训练数据已经显示出有前途的结果，以提高故障分类性能和识别未知的故障类别。使用灰箱递归神经网络的残差生成可以用于异常分类，其中关于被监测系统的物理见解被并入机器学习算法的设计中。在这项工作中，一个自动化的残差设计开发使用的系统模型的二分图表示设计灰箱递归神经网络和评估使用一个真正的工业案例研究。内燃机试验台的数据被用来说明机器学习和基于模型的故障诊断技术相结合的潜力。
2020-08-11 eess.SP stat.ML
A novel time-frequency Transformer based on self-attention mechanism and its application in fault diagnosis of rolling bearings
Southeast University（东南大学）
通过深度学习（DL），数据驱动的故障诊断模型的范围得到了极大的扩展。但是，经典的卷积和递归结构在计算效率和特征表示上都有其缺陷，而最新的基于注意力机制的Transformer架构在该领域还没有得到应用。为了解决这些问题，我们提出了一个新的时频Transformer（TFT）模型的启发香草Transformer在序列处理的巨大成功。特别地，我们设计了一个新的标记器和编码器模块，从振动信号的时频表示（TFR）中提取有效的抽象。在此基础上，本文提出了一种新的基于时频Transformer的端到端故障诊断框架。通过对轴承实验数据集的实例分析，构造了最优的Transformer结构，并验证了其故障诊断性能。与基准模型和其他最先进的方法相比，所提出的方法的优越性。
2021-12-04 cs.AI cs.LG eess.SP
Integrating Expert Knowledge with Domain Adaptation for Unsupervised Fault Diagnosis
数据驱动的故障诊断方法通常需要为每种故障类型提供大量的标记示例。相反，真实世界的数据通常是未标记的，并且由大多数健康的观察结果和只有少数故障条件的样本组成。标签和故障样本的缺乏对现有的数据驱动的故障诊断方法提出了重大挑战。在本文中，我们的目标是克服这一限制，将专家知识与域适应在一个合成到真实的框架无监督故障诊断。由于领域专家通常对不同故障类型如何影响健康信号有相对较好的理解，因此在所提出的框架的第一步中，通过增强健康轴承的真实振动样本来生成合成故障数据集。该合成数据集集成了专家知识并编码了有关故障类型的类信息。然而，仅仅基于合成数据训练的模型往往不能很好地执行，因为合成生成的故障和真实故障之间的明显分布差异。为了克服合成数据和真实数据之间的域差距，在该框架的第二步中，提出了一种不平衡鲁棒域自适应方法，用于将模型从合成故障源调整到遭受严重类不平衡的未标记真实故障目标。两个无监督的轴承故障诊断案例，CWRU实验室数据集和真实世界的风力涡轮机数据集的框架进行评估。实验结果表明，生成的故障是有效的编码故障类型信息和域自适应是强大的，对不同程度的类之间的故障不平衡。
2021-11-18 eess.SP
Finites elements and signal processing analysis of eccentricity and demagnetization faults in PMSM drivetrains: Approach for diagnosis
如今，由于环境问题和现代社会对能源的依赖，人们对汽车应用的兴趣，特别是混合动力汽车（HEV）的兴趣已经上升。因此，有必要在这些车辆中研究和实施故障诊断系统，使其更加可靠和安全，增强其可持续性。由于电机故障对汽车系统可用性的影响，电机故障诊断方法一直是汽车领域的研究热点。本文首先回顾了永磁同步电动机的故障和诊断方法，然后采用基于有限元法和信号处理（FEMM-MATLAB耦合）的解析-数值方法对表面安装式永磁同步电动机的偏心和部分退磁故障进行了检测和分析。因此，本文的研究内容主要包括故障特性、谐波分量与信号频谱特征、时频分析技术等.所获得的结果进一步与健康运行下的电机特性进行比较，以具有对故障的明显检测。
2020-11-09 eess.SP
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
Power Transformer Fault Diagnosis with Intrinsic Time-scale Decomposition and XGBoost Classifier
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
提出了一种基于本征时间尺度分解（ITD）的电力Transformer故障诊断方法。溶解气体分析（DGA）参数根据其偏度排序，然后进行基于ITD的特征提取。PRC特征的最佳集合由XGBoost分类器确定。为了分类的目的，XGBoost分类器被用于最佳的PRC特征集。所提出的方法的分类性能进行了研究，使用公开的376个电力Transformers的DGA数据，并采用XGBoost分类器。所提出的方法达到了95%以上的准确率和较高的灵敏度和F1分数，优于传统的方法和最近的一些基于机器学习的故障诊断方法。此外，它给出了更好的科恩Kappa和F1分数相比，最近推出的基于EMD的分层技术在电力Transformers故障诊断。
2021-10-21 cs.AI cs.LG eess.SP
End-to-End CNN+LSTM Deep Learning Approach for Bearing Fault Diagnosis
故障诊断和故障诊断学是一个重要的研究课题。工业工厂面临着巨大的压力，需要继续减少计划外停机时间、性能下降和安全隐患，这需要在早期阶段检测和恢复潜在故障。智能故障诊断能够快速、有效地处理采集到的故障信号，并提供准确的诊断结果，是一种很有前途的诊断工具。尽管许多研究已经开发了用于检测轴承故障的机器学习（M.L）和深度学习（D.L）算法，但是结果通常限于相对较小的训练和测试数据集，并且输入数据已经被操纵（使用选择性特征）以达到高精度。在这项工作中，从加速度计（时域特征）收集的原始数据作为一种新的时间序列预测算法的输入，提出了一种端到端的故障检测方法。我们使用等效的时间序列作为一种新的卷积长短期记忆递归神经网络（CRNN）的输入，以检测轴承故障在尽可能短的时间内以最高的精度。该方法可以达到最高的精度在文献中，尽可能多的知识，本论文的作者，避免任何类型的预处理或操作的输入数据。将该方法应用于两个常用的基准振动数据集，并与其他智能故障诊断方法的诊断结果进行比较，验证了该方法的有效性和可行性。
2020-09-07 eess.SP
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
Explainable Artificial Intelligence based Soft Evaluation Indicator for Arc Fault Diagnosis
Hong Kong Polytechnic University（香港理工大学）；Shenzhen Power Supply Bureau Co., Ltd（深圳供电局有限公司）
本文提出基于可解释人工智能的电弧故障诊断软评估指标，结合轻量级平衡神经网络，在多个数据集上验证其有效性，提升模型可解释性与可信度。
2025-07-21 cs.AI eess.SP
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
A Robust Data-Driven Fault Diagnosis scheme based on Recursive Dempster-Shafer Combination Rule *
研究了基于Dempster-Shafer（DS）理论的飞行传感器故障诊断和残差信号递归组合方法。特别是，提出了一种新的基于证据的组合规则的残差作为一个功能的可靠性措施来自流数据的在线强大的传感器故障诊断的目的。提出的信息融合机制分为三个步骤。在第一步中，经典的DS概率质量组合规则的应用，然后，以前的后验质量和当前的故障事件相关的先验质量之间的差异进行计算。最后，一个故障事件的后验质量的增量被加权为依赖于控制活动的规范的可靠性系数的函数。提出了一种基于组合规则的传感器故障隔离方案，并与现有的递归组合规则进行了比较。利用P92 Tecnam飞机的多次飞行数据进行了定量分析。所提出的方法被证明是有效的，特别是在降低误报率。
2022-12-13 eess.SP
A Random Forest and Current Fault Texture Feature-Based Method for Current Sensor Fault Diagnosis in Three-Phase PWM VSR
Institute of Oceanographic Instrumentation, Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院）海洋仪器仪表研究所）；Northeast Electric Power University（东北电力大学）；Changchun Institute of Technology（长春工程学院）；China Merchants Bank（招商银行）
三相PWM电压型整流器（VSR）系统广泛应用于各种能量转换系统中，电流传感器是其状态监测和系统控制的关键部件。电流传感器故障可能会给整个系统带来隐患或损害，为此提出了一种基于随机森林（RF）和电流故障纹理特征的三相PWM VSR系统电流传感器故障诊断方法。首先，采集三相PWM VSR的三相交流电，提取电流故障纹理特征，无需额外的硬件传感器，避免了造成额外的不稳定因素。然后，采用电流故障纹理特征训练随机森林电流传感器故障检测与诊断（CSFDD）分类器，这是一个数据驱动的CSFDD分类器。最后通过仿真实验验证了该方法的有效性。结果表明，该方法能够成功检测和定位电流传感器故障，为维护人员提供有效的故障定位，保证整个系统的稳定运行。
2022-11-08 cs.AI eess.SP
Bearing fault diagnosis based on domain adaptation using transferable features under different working conditions
轴承失效是旋转机械中最常见的失效形式，可造成巨大的经济损失甚至人员伤亡。然而，由于轴承周围结构的复杂性和实际工况的多变性，导致振动信号在训练集和测试集之间的分布差异很大，从而导致故障诊断的准确率下降。因此，如何有效地提高不同工况下轴承故障诊断的性能一直是一个主要的挑战。提出了一种基于可传递特征域自适应的变工况轴承故障诊断方法。通过对不同电机转速和负载条件下的原始振动信号进行快速傅立叶变换（FFT），得到正常轴承和故障轴承的数据集。然后，我们减少边缘和条件分布同时跨域的最大均值差异（MMD）的特征空间的基础上，通过细化伪测试标签，这可以得到的最近邻（NN）分类器建立在训练数据，然后一个强大的可转移的特征表示训练和测试域后，经过几次迭代。最后利用基于可传递特征的神经网络分类器对轴承故障类别进行准确识别。大量的实验结果表明，在不同的工作条件下，所提出的方法可以准确地识别轴承故障，并明显优于竞争的方法。
2018-06-05 eess.SP
PCA Methods and Evidence Based Filtering for Robust Aircraft Sensor Fault Diagnosis
本文应用PCA和D-PCA技术设计了一种半自主飞行器18个主传感器的数据驱动诊断故障隔离和故障估计方案。具体而言，已经考虑了基于贡献和基于重建的贡献方法。为了提高FI性能的推理机制，来自基于证据的决策理论已被提出。根据实验数据，对真空速传感器进行了详细的FI和FE研究。基于证据的过滤（EBF）被证明是非常有效的，特别是在减少误报。
2022-12-13 eess.SP
Eigen-spectrograms: An interpretable feature space for bearing fault diagnosis based on artificial intelligence and image processing
旋转机械的智能故障诊断目前提出了一些迷人的挑战。虽然人工智能和深度学习取得的成果不断改进，但该领域存在一些开放性问题。模型的解释仍然埋在数据驱动科学的基础之下，因此需要关注机器学习理论的新机会的发展。本研究提出一种基于智能频谱图识别的机器学习诊断模型，通过图像处理。该方法的特点是在故障诊断中使用特征谱图和随机线性代数。随机代数和本征谱图使得能够构建一个重要的特征空间，尽管如此，它仍然成为探索模型解释的可行设备。随机化方法的计算效率提供了成熟的统计学习理论（如支持向量机（SVM））的阅读关键。与最先进的结果相比，应用于频谱图识别的机器学习显示出非常准确和高效。
2022-07-23 eess.SP
Acoustic Signal based Non-Contact Ball Bearing Fault Diagnosis Using Adaptive Wavelet Denoising
提出了一种基于自适应小波去噪、声频谱特征和一维卷积神经网络（CNN）的非接触式滚动轴承故障诊断方法。在噪声条件下，通过麦克风监测滚珠轴承的健康状况。为了消除噪声，提出了基于峰度熵（KE）指标的自适应小波去噪方法。基于专家知识提取多个声学特征。1D ResNet用于对轴承的健康状况进行分类。案例研究，以检验所提出的方法的能力，以监测球轴承的状态。比较了自适应小波去噪前后的故障诊断结果。实验结果表明了该方法的有效性。
2021-10-07 eess.SP stat.AP
A Fully Multivariate Multifractal Detrended Fluctuation Analysis Method for Fault Diagnosis
Aarhus University（奥胡斯大学）；COMSATS University Islamabad（科曼萨茨伊斯兰堡大学）
本文提出了一种基于多变量变分模态分解和改进的多标度去趋势波动分析方法，用于提高多通道振动数据中故障诊断的准确性。
2025-11-25 eess.SP
iDCR: Improved Dempster Combination Rule for Multisensor Fault Diagnosis
Institute of Technical Education and Research（技术教育与研究学院）；Siksha ’O’ Anusandhan (Deemed to be University)（希克沙奥阿努桑丹大学（被视为大学））
从多个传感器收集的数据可以有效地融合，用于许多工程应用的精确监控。在过去的几年里，多传感器融合最受欢迎的应用之一是故障诊断。基于证据理论和证据组合规则的多传感器信息融合方法已成功地应用于故障诊断中。但是，如果从不同的传感器获得的信息表现出高度的冲突，经典的Dempsters组合规则可能会产生反直观的结果。为了克服这一缺点，本文提出了一种改进的多传感器数据融合组合规则。数值算例表明了该方法的有效性。通过与现有方法的对比分析，说明了该方法在多传感器故障诊断中的优越性。
2020-02-10 cs.AI cs.IT eess.SP
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
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。
2024-12-24 cs.CV eess.SP
A crayfish-optimized wavelet filter and its application to fault diagnosis
针对工业机械故障诊断中振动信号有效频段识别难的问题，提出用小龙虾优化算法（COA）自适应优化小波滤波器参数，以相关峭度为适应度函数并改进CK周期准确性，在工业案例中表现优于现有方法。
2025-02-12 eess.SP
Deep Scattering Spectrum germaneness to Fault Detection and Diagnosis for Component-level Prognostics and Health Management (PHM)
Dongguk University（东国大学）；University of Nottingham（诺丁汉大学）
在故障检测和诊断的统计和健康管理（PHM）系统中，大多数方法利用机器学习（ML）或深度学习（DL），通过这些方法预先提取一些特征（在ML的情况下）或使用过滤器来自主提取特征（在DL的情况下）以执行关键分类任务。特别是在工业机器人的故障检测和诊断中，电流，振动或声发射信号是主要的信息来源，可以将信号映射到其组成成分的特征域可以降低典型的ML和DL框架的复杂性和大小。深散射谱（DSS）是一种利用小波变换（WT）类比来分离和提取信号在各个时域和频域中编码的信息的策略。因此，本文的工作重点是研究决策支持系统与工业机器人机械部件故障检测和诊断的相关性。我们使用多个工业机器人和不同的机械故障，建立一种方法，使用从输入信号中提取的低方差特征对故障进行分类。所提出的方法在实际测试台架上实现，并表现出令人满意的性能，在故障检测和诊断的简单和复杂的分类问题的分类准确率分别为99.7%和88.1%。
2022-10-20 cs.AI eess.SP
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
