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
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
Ultrasound Diagnosis of COVID-19: Robustness and Explainability
MIT Lincoln Laboratory(麻省理工学院林肯实验室)
在护理点诊断COVID-19对遏制全球大流行至关重要。床旁超声(POCUS)提供肺部的快速成像,以可重复且具有成本效益的方式检测患者的COVID-19。先前的工作使用POCUS视频的公共数据集来训练用于诊断的AI模型,该模型获得高灵敏度。由于高风险的应用,我们建议使用强大的和可解释的技术。我们的实验表明,强大的模型有更稳定的预测,并提供更好的可解释性。基于对抗性扰动的对比解释框架用于解释与人类视觉感知一致的模型预测。
2020-11-30 cs.CV cs.LG eess.IV
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
Dermatological Diagnosis Explainability Benchmark for Convolutional Neural Networks
Technical University of Denmark(丹麦技术大学);Medable A/S(Medable公司);University of Copenhagen(哥本哈根大学);Rigshospitalet, Copenhagen University Hospital(哥本哈根大学医院国立医院)
近年来,在开发用于皮肤病学应用的机器学习方法方面取得了长足的进步,部分原因是深度学习(DL)的成功。迄今为止,从图像诊断疾病是DL在皮肤病学中最受欢迎的应用之一。卷积神经网络(ConvNets)由于其训练效率和准确性而成为医学成像中最常见的(DL)方法,尽管由于其有限的可解释性,它们通常被描述为黑箱。深入了解ConvNet决策机制的一种流行方法是梯度类激活图(Grad-CAM)。Grad-CAM可解释性的定量评估最近通过DermXDB的发布成为可能,DermXDB是一种皮肤疾病诊断可解释性数据集,可以对ConvNet架构进行可解释性基准测试。在本文中,我们进行了文献综述,以确定用于此任务的最常见的ConvNet架构,并将其Grad-CAM解释与DermXDB提供的解释图进行比较。我们确定了11种架构:DenseNet 121、EfficientNet-B 0、InceptionV 3、InceptionResNetV 2、MobileNet、MobileNetV 2、NASNetMobile、ResNet 50、ResNet 50 V2、VGG 16和Xception。我们在临床皮肤病数据集上预训练了所有架构,并在DermXDB子集上对其进行了微调。DermXDB holdout子集的验证结果显示可解释性F1得分在0.35-0.46之间,Xception显示出最高的可解释性性能。N…
2023-02-23 cs.CV cs.LG
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
Explainability for Fault Detection System in Chemical Processes
Department of Information and Electronic Engineering, International Hellenic University, Greece(信息与电子工程系,国际希腊大学);Department of Industrial Engineering and Management, International Hellenic University, Greece(工业工程与管理系,国际希腊大学);Energy Resources Institute, Centre for Research and Technology Hellas, Greece(能源资源研究所,希腊研究中心与技术中心)
本文通过比较IG和SHAP两种XAI方法,探讨了在化工过程故障检测中如何提高模型决策的可解释性与故障定位能力。
2026-02-18 cs.LG
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
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
Advancing Histopathology-Based Breast Cancer Diagnosis: Insights into Multi-Modality and Explainability
Qatar University(卡塔尔大学);University of Sharjah(沙迦大学)
本综述聚焦乳腺癌诊断领域,探索组织病理学图像与非图像数据融合的多模态技术,结合XAI提升诊断可解释性,以优化诊断效果、推动个性化治疗,并指明未来研究方向。
2024-06-07 cs.AI cs.CV cs.LG
SCLIFD:Supervised Contrastive Knowledge Distillation for Incremental Fault Diagnosis under Limited Fault Data
Zhejiang University(浙江大学);University of Illinois Urbana–Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Science and Technology Beijing(北京科技大学)
智能故障诊断技术目前已经取得了长足的进步。然而,很少有工作解决有限故障数据下的类增量学习故障诊断,即,不平衡和长尾故障诊断带来了各种显著的挑战。最初,很难从有限的故障数据中提取有区别的特征。此外,一个经过良好训练的模型必须从头开始重新训练,才能从新的类别中对样本进行分类,从而造成很高的计算负担和时间消耗。此外,该模型在增量训练时可能遭受灾难性遗忘。最后,由于类不平衡,模型决策偏向于新类。这些问题会导致故障诊断模型的性能下降。针对上述问题,提出了一种有限故障数据下的增量式故障诊断监督对比知识提取(SCLIPD)框架,从三个方面扩展了经典增量式分类器和表示学习(iCaRL)框架.首先,我们采用有监督的对比知识提取(KD),以提高其表示学习能力,在有限的故障数据。此外,我们提出了一种新的优先级样本选择方法自适应羊群(AdaHerding),以限制计算负担的增加,这也是结合KD,以减轻灾难性遗忘。此外,我们采用余弦分类器,以减轻类不平衡的不利影响。我们进行了广泛的实验模拟和现实世界的工业过程中不同的不平衡比。实验结果表明,我们的SCLIFD优于现有的方法,由一个很大的利润。
2023-02-12 cs.LG
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
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
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 Uncertainty-Informed Framework for Trustworthy Fault Diagnosis in Safety-Critical Applications
Center for Risk and Reliability, University of Maryland, College Park(马里兰大学帕克分校风险与可靠性中心);Department of Civil and Environmental Engineering, University of California, Los Angeles(加利福尼亚大学洛杉矶分校土木与环境工程系);Garrick Institute for the Risk Sciences, University of California, Los Angeles(加利福尼亚大学洛杉矶分校加里克风险科学研究所);Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University(香港理工大学工业与系统工程系);Centre for Advances in Reliability and Safety Limited (CAiRS)(可靠性及安全进展中心有限公司)
人们对基于深度学习的预测和健康管理(PHM)越来越感兴趣,用于构建端到端维护决策支持系统,特别是由于自治系统的快速发展。然而,当处理来自与训练数据集不同的未知分布的数据时,PHM的低可信度阻碍了其在安全关键资产中的应用,所述未知分布被称为分布外(OOD)数据集。为了弥补这一差距,我们提出了一个不确定性信息框架来诊断故障,同时检测OOD数据集,从而实现学习未知数并实现值得信赖的故障诊断的能力。特别是,我们开发了一个概率贝叶斯卷积神经网络(CNN)来量化故障诊断中的认识和偶然不确定性。故障诊断模型用大的预测不确定性标记OOD数据集以供专家干预,并且有信心在可容忍的不确定性内为数据提供预测。这导致可靠的故障诊断,并降低了错误决策的风险,从而潜在地避免了不良后果。轴承故障诊断的三个OOD数据集归因于随机数生成,一个未知的故障模式,和四个常见的传感器故障,分别证明了所提出的框架。结果表明,所提出的框架是特别的优势,在处理未知数和提高可靠性的故障诊断在安全关键应用。
2021-10-08 cs.LG
ADHDeepNet From Raw EEG to Diagnosis: Improving ADHD Diagnosis through Temporal-Spatial Processing, Adaptive Attention Mechanisms, and Explainability in Raw EEG Signals
Centre of Real Time Computer Systems, Faculty of Informatics(信息学院实时计算机系统中心);Kaunas University of Technology(考纳斯技术大学);University of Central Florida(中央佛罗里达大学);Amirkabir University of Technology(阿米尔卡比尔技术大学);Shahed University(沙赫德大学)
本文提出ADHDeepNet,一种结合时空处理、自适应注意力和可解释性的深度学习模型,利用原始EEG信号实现高精度ADHD诊断,在121名受试者上达到99.17%准确率。
2025-09-10 cs.LG q-bio.NC
A Novel Deep Parallel Time-series Relation Network for Fault Diagnosis
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)
考虑到应用时间序列数据的上下文信息可以提高故障诊断的性能,提出了RNN、LSTM和GRU等神经网络结构来对故障诊断进行有效建模。然而,这些模型受到串行计算的限制,因此不能实现高诊断效率。此外,并行CNN难以以有效的方式实现故障诊断,因为它需要更大的卷积核或深层结构来实现长期的特征提取能力。此外,BERT模型采用绝对位置嵌入法,在模型中引入上下文信息,会给原始数据带来噪声,不能直接应用于故障诊断。针对上述问题,提出了一种基于深度并行时序关系网络的故障诊断模型。DPTRN主要有三个优点:(1)时间关系单元采用全多层感知器(MLP)结构,因此,DPTRN可以并行地进行故障诊断,大大提高了计算效率。(2)通过对绝对位置嵌入的改进,本文提出的解耦位置嵌入单元可直接应用于故障诊断,并可学习上下文信息。(3)我们提出的DPTRN具有明显的优势,在功能的解释。在四个数据集上验证了该方法的有效性,结果表明了DPTRN模型的有效性和可解释性。
2022-08-24 cs.AI cs.LG
SCCAM: Supervised Contrastive Convolutional Attention Mechanism for Ante-hoc Interpretable Fault Diagnosis with Limited Fault Samples
Zhejiang University(浙江大学);University of Illinois Urbana–Champaign Institute(伊利诺伊大学厄巴纳-香槟分校学院);Southeast University(东南大学);Huazhong University of Science and Technology(华中科技大学)
本文提出监督对比卷积注意力机制SCCAM,首次在有限故障样本下实现事前可解释的故障诊断与根本原因分析,并在工业基准上验证了其优于现有方法的分类和根因分析性能。
2023-02-17 cs.LG
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
Personalized Federated Learning for Multi-task Fault Diagnosis of Rotating Machinery
Digital Research Institute, ENN Group(新奥集团数字研究院)
智能故障诊断是保证机械安全运行的关键。然而,由于现场机械故障样本稀缺和数据异构性,基于深度学习的诊断方法容易出现过拟合,泛化能力较差。针对这一问题,提出了一种个性化的联邦学习框架,使多任务故障诊断方法能够以隐私保护的方式跨多个工厂进行。首先,旋转机械从不同的工厂相似的振动特征数据进行分类到机器组使用联邦聚类方法。在此基础上,构建了基于卷积神经网络的多任务深度学习模型,对异构信息融合的机械多故障进行诊断。最后,提出了一个个性化的联邦学习框架,采用自适应层次聚合策略解决跨机器的数据异构性问题。通过对实际机器采集数据的实例分析,验证了该框架的有效性.结果表明,采用个性化联邦学习可以显著提高故障诊断的准确率,尤其是对于故障样本较少的设备。
2022-11-17 cs.AI cs.LG
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
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
Vibration Fault Diagnosis in Wind Turbines based on Automated Feature Learning
Bern University of Applied Sciences(伯尔尼应用科学大学)
越来越多的风力涡轮机配备了振动测量系统,以便能够密切监测和早期检测正在发展的故障状况。分析振动测量结果以持续评估组件健康状况并防止可能导致停机的故障。本研究的重点是齿轮箱监测,但也适用于其他子系统。当前最先进的齿轮箱故障诊断算法依赖于基于由人类分析师定义的故障特征的统计或机器学习方法。这具有多个缺点。由人类分析师定义故障特征是一个耗时的过程,需要非常详细的齿轮箱组成知识。每台新风机都需要重复这项工作,因此它不能很好地随受监控风机数量的增加而扩展,特别是在快速增长的产品组合中。此外,由人类分析师定义的故障特征可能导致有偏见和不精确的决策边界,从而导致不精确和不确定的故障诊断决策。我们提出了一种新的准确的故障诊断方法,振动监测风力发电机部件,克服了这些缺点。我们的方法结合了基于卷积神经网络和隔离森林的故障特征和健康状态分类的自主数据驱动学习。我们证明了它的性能与两个风力涡轮机齿轮箱的振动测量。与最先进的方法不同,我们的方法不需要特定于齿轮箱类型的诊断专业知识,也不限于预定义的频率或频谱范围,而是可以一次监控整个频谱。
2022-02-16 cs.LG
Tumor Location-weighted MRI-Report Contrastive Learning: A Framework for Improving the Explainability of Pediatric Brain Tumor Diagnosis
The Hospital for Sick Children(病童医院);University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(矢量人工智能研究所);University Hospital Augsburg(奥格斯堡大学医院)
针对卷积神经网络在脑肿瘤MRI诊断中可解释性不足的问题,提出整合肿瘤位置的MRI-放射报告对比学习框架,提升了儿童低级别胶质瘤基因标记分类的性能与可解释性。
2024-11-01 cs.CV cs.LG eess.IV
A Sparse Bayesian Learning for Diagnosis of Nonstationary and Spatially Correlated Faults with Application to Multistation Assembly Systems
Virginia Tech(弗吉尼亚理工大学)
针对制造系统中传感器有限及时变工况导致的非平稳空间相关故障,提出聚类空间相关稀疏贝叶斯学习(CSSBL)方法,通过变分贝叶斯推断求解近似后验分布,有效实现多工站装配系统故障诊断并具备跨领域泛化能力。
2023-10-20 cs.LG stat.AP
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
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
Compound Fault Diagnosis for Train Transmission Systems Using Deep Learning with Fourier-enhanced Representation
Engineering Product Development(工程产品开发);SUTD(新加坡科技设计大学);Institute for Infocomm Research(信息通信研究所);A*STAR(科技研究局)
本文针对列车传动系统复合故障诊断问题,提出结合频域表示与一维卷积神经网络的方法,并在PHM Beijing 2024数据集上验证了其在单一和复合故障下的有效性。
2025-09-19 cs.LG
Modeling and Soft-fault Diagnosis of Underwater Thrusters with Recurrent Neural Networks
German Research Center for Artificial Intelligence(德国人工智能研究中心)
非临界软故障和模型偏差是水下机器人故障检测与诊断的难点。由于长期暴露在海洋环境中,这种系统可能会有更快的性能退化,需要不断监测部件状况,以确保其可靠性。本文提出了一种基于经验数据的循环神经网络(RNNs)水下推进器故障检测与诊断方法。使用测量的控制输入、电压、转速和电流信号对推进器的标称行为进行建模。我们评估了故障分类的性能,使用所有的测量信号相比,使用计算的残差从标称模型作为功能。
2018-07-11 cs.LG cs.RO stat.ML
Are Ensemble Classifiers Powerful Enough for the Detection and Diagnosis of Intermediate-Severity Faults?
University of California, Berkeley(加州大学伯克利分校);University of Chicago(芝加哥大学)
与严重故障相比,中等严重度(IS)故障的症状较轻,并且由于其与正常操作条件非常相似,因此更难以检测和诊断。训练数据中缺乏IS故障示例可能会对基于机器学习(ML)技术构建的故障检测和诊断(FDD)方法造成严重风险,因为这些故障很容易被误认为正常操作条件。包围模型广泛应用于ML中,被认为是检测分布外(OOD)数据的有前途的方法。我们通过在两个真实世界的数据集上使用几个流行的集成模型进行广泛的实验,确定了这些模型中的常见缺陷。然后,我们讨论了如何设计更有效的集成模型检测和诊断IS故障。
2020-07-08 cs.LG stat.ML
Interpretable Fault Diagnosis of Rolling Element Bearings with Temporal Logic Neural Network
Nanyang Technological University(南洋理工大学);University of California, Davis(加州大学戴维斯分校)
基于机器学习的方法在机械故障诊断中已经取得了成功的应用。然而,这些方法存在的主要限制是它们作为黑盒操作,并且通常不可解释。本文提出了一种新的神经网络结构--时序逻辑神经网络(TLNN),网络的神经元是逻辑命题。更重要的是,网络可以被描述和解释为加权信号时序逻辑。TLNN不仅保持了传统神经元网络的优良特性,而且用形式语言对自身进行了形式化解释。实验结果表明,该神经网络能够获得高精度的故障诊断结果,具有良好的计算效率。此外,神经元网络内嵌的形式语言可以对决策过程提供解释,从而实现可解释的故障诊断。
2022-04-19 cs.AI cs.LG
An Explainable Artificial Intelligence Approach for Unsupervised Fault Detection and Diagnosis in Rotating Machinery
School of Mechanical Engineering, Federal University of Uberlândia(Uberlândia联邦大学机械工程学院);University of Padova(帕多瓦大学);Federal University of São João del Rei(圣若昂德尔雷伊联邦大学)
旋转机械的监控是当今生产过程中的一项重要任务。目前,几个基于机器学习和深度学习的模块在故障检测和诊断方面取得了优异的效果。然而,为了进一步增加用户对这些技术的采用和传播,必须通过模块向用户和人类专家提供解释和见解。在大多数情况下,另一个问题与标记的历史数据的不可用有关,这使得监督模型的使用不可行。因此,本文提出了一种旋转机械故障检测与诊断的新方法。该方法包括三个部分:特征提取,故障检测和故障诊断。在第一部分中,在时域和频域的振动特征提取。其次,在故障检测中,基于异常检测算法,以无监督的方式验证故障的存在。该方法的模块化允许实现不同的算法。最后,在故障诊断中,Shapley加法解释(SHAP),一种解释黑箱模型的技术,被使用。通过模型可解释性得到特征重要性排序,进行故障诊断。提出了两种诊断工具,即:无监督分类和根本原因分析。所提出的方法的有效性显示在三个数据集包含不同的机械故障旋转机械。该研究还比较了机器学习可解释性中使用的模型:SHAP和基于局部深度的特征重要性隔离森林(Local-EQUIPI)。最后,分析了几个国家的最先进的异常检测算法在旋转机械。
2021-02-23 cs.AI cs.LG
Application of a Dense Fusion Attention Network in Fault Diagnosis of Centrifugal Fan
本文提出密集融合注意力网络,通过将分布式注意力模块嵌入密集连接以增强故障特征提取与抗噪能力,并在离心风机故障数据上验证了其优于先进模型的诊断性能。
2024-04-30 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
Deep4ge: DNN Training Trajectories for Fault Detection and Diagnosis
研究针对深度学习系统因细微故障致训练行为改变的问题,提出Deep4ge基准数据集,通过59个适配程序生成14227次训练运行记录,含故障变体及相关特征,支持多种故障检测与诊断任务,并发布数据集与框架。
2026-07-15 cs.LG cs.SE
Deep Metric Learning Model for Imbalanced Fault Diagnosis
University of Electronic Science and Technology of China(电子科技大学)
基于数据驱动和深度学习的智能诊断方法是近年来研究的热点和有意义的领域。然而,在实际应用场景中,时序故障的不平衡性是一个亟待解决的问题。本文提出了一种新的深度度量学习模型,其中考虑了不平衡的故障数据和四元组数据对设计方式。在此基础上,提出了一种考虑类间距离和类内数据分布的四元组损失函数。这种四重损失特别注意不平衡的样本对。四重损失和softmax损失函数的合理组合可以减少不平衡的影响。在两个开源数据集上的实验结果表明,该方法能有效地提高不平衡故障诊断的性能。
2021-07-14 cs.AI cs.LG
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
Probabilistic Bearing Fault Diagnosis Using Gaussian Process with Tailored Feature Extraction
China Jiliang University(中国计量大学);Michigan Technological University(密歇根理工大学)
滚动轴承由于长期在恶劣的环境下运行,容易出现各种故障,导致机械系统的意外故障,造成严重的事故。近年来,深度学习方法在数据驱动的轴承故障诊断中得到了广泛的应用。然而,目前的深度学习方法以确定性分类的形式进行轴承故障诊断,忽略了实际应用中不可避免地存在的不确定性。针对这一问题,本文提出了一种概率故障诊断框架,该框架能够考虑预测中的不确定性影响,具有一定的实际意义。该框架充分利用了高斯过程分类器(GPC)的概率特性。为了便于建立高保真GPC,在由各种核主成分分析(KPCA)方法和堆叠式自动编码器组成的方法池上,通过基于交叉验证的网格搜索,可以最优地确定具有降维方法的定制特征提取。该策略能够充分刻画特征与故障之间复杂的非线性关系。此外,传感器融合的概念,以提高诊断性能。与传统的深度学习方法相比,该框架通常需要较少的标记数据和较少的参数调整工作。系统的案例研究,使用公开访问的实验滚动轴承数据集进行验证这一新的框架。对影响故障诊断性能的各种因素也进行了深入的研究。
2021-09-19 cs.LG physics.data-an
Machine learning-based approach for online fault Diagnosis of Discrete Event System
CReSTIC(兰斯大学计算机科学与数字技术研究中心);UFR Exact and Natural Sciences(精确与自然科学学院)
本文考虑的问题是在线诊断的自动化生产系统的传感器和执行器提供离散的二进制信号,可以建模为离散事件系统。尽管有许多诊断方法,但它们中没有一个能够满足实现有效诊断系统的所有标准(例如智能解决方案、平均努力、合理成本、在线诊断、更少的假警报等)。此外,这些技术需要一个正确的、鲁棒的和有代表性的系统模型,或者需要不断更新的相关数据或专家知识。在本文中,我们提出了一个基于机器学习的诊断系统的方法。它被认为是一个多类分类器,预测工厂的状态:正常或故障,以及在故障行为的情况下出现了什么故障。
2022-10-24 cs.AI cs.LG
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
A Comparative Analysis of Reinforcement Learning and Conventional Deep Learning Approaches for Bearing Fault Diagnosis
University of Ottawa(渥太华大学)
本研究比较了强化学习(以DQN为例)与传统深度学习在轴承故障诊断中的表现,发现RL在受控条件下性能与传统方法相当,优化奖励结构后适应性更优,为自适应诊断框架提供了新思路。
2025-08-31 cs.LG
Cloud Ensemble Learning for Fault Diagnosis of Rolling Bearings with Stochastic Configuration Networks
Artificial Intelligence Research Institute, China University of Mining and Technology(中国矿业大学人工智能研究院);School of Information and Control Engineering, China University of Mining and Technology(中国矿业大学信息与控制工程学院);National Engineering Research Center of Coal Preparation and Purification, China University of Mining and Technology(中国矿业大学选煤国家工程研究中心)
本文提出SCN-CEL方法,通过云模型特征提取与云采样扩展少样本故障数据,并结合随机配置网络集成模型,提升滚动轴承少样本故障诊断精度。
2023-07-02 cs.AI cs.LG
Bayesian Sample Size Determination of Vibration Signals in Machine Learning Approach to Fault Diagnosis of Roller Bearings
VIT University(韦洛尔理工大学)
数据集的样本量确定是一个重要的统计过程,用于分析数据以达到最佳准确度并使用最少的计算工作。这一过程的应用是可信的,在每一个领域,处理大数据集和高计算工作。本研究使用贝叶斯分析确定的最小样本量的振动信号被认为是使用预定义的参数,如逆标准概率和可接受的误差幅度的轴承故障诊断。为此,本文提出了确定样本量的解析公式。轴承的故障诊断是使用机器学习方法,使用基于熵的J48算法。下面的方法将帮助参与故障诊断的研究人员确定最小样本量进行分析,以获得良好的统计稳定性和精度。
2014-02-25 cs.LG stat.ML
Rethinking the Role of Operating Conditions for Learning-based Multi-condition Fault Diagnosis
Department of Automation Tsinghua University Beijing, China(自动化系 清华大学 北京中国);MCC5 Group Shanghai Co. LTD Shanghai, China(MCC5集团 上海有限公司 上海中国)
本文研究运行条件对故障信息的影响,提出结合域泛化编码器与重训练策略的两阶段框架,以提升变速变载场景下的故障诊断性能。
2025-06-21 cs.LG eess.SP
Causal Disentanglement Hidden Markov Model for Fault Diagnosis
Tianjin University(天津大学);Ocean University of China(中国海洋大学)
本文提出因果解耦隐马尔可夫模型CDHM,通过解耦振动信号中的故障相关与无关因子并结合无监督域自适应,实现鲁棒的轴承故障诊断。
2023-08-06 cs.CV cs.LG 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
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
Fault Diagnosis across Heterogeneous Domains via Self-Adaptive Temporal-Spatial Attention and Sample Generation
School of Automation(自动化学院);The School of Information Technology(信息科技学院);Wuhan University of Technology(武汉理工大学);Halmstad University(哈马碧大学)
针对工业多模态过程中故障诊断存在的类别部分重叠、数据分布差异大的问题,提出融合样本生成与自适应时空注意力的TSA-SAN模型,通过生成样本补充数据、注意力机制聚焦关键特征,显著提升了跨域故障诊断的性能。
2025-05-16 cs.AI 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
Open-Set Fault Diagnosis in Multimode Processes via Fine-Grained Deep Feature Representation
School of Automation(自动化学院);The School of Information Technology(信息科技学院);Wuhan University of Technology(武汉理工大学);Halmstad University(哈尔姆斯塔德大学)
针对多模态过程中同一健康状态样本多簇分布导致决策边界构建困难的问题,提出FGCRN模型,结合多尺度深度卷积等捕捉判别特征,通过距离损失和无监督学习增强类内紧凑性并构建细粒度表示,有效识别未知故障。
2025-08-13 cs.LG
Beyond Accuracy: Evaluating Efficiency, Robustness and Explainability in Deep Learning for Malaria Diagnosis
African Institute for Mathematical Sciences(非洲数学科学研究所);Hertie Institute for AI in Brain Health(脑健康人工智能研究所)
本研究在NLM-Malaria数据集上基准测试四种深度学习模型,联合评估预测性能、鲁棒性和事后可解释性,发现轻量级模型在性能上与重型模型相当,但可解释性在图像损坏下脆弱。
2026-05-29 cs.CV cs.LG