S2S-FDD: Bridging Industrial Time Series and Natural Language for Explainable Zero-shot Fault Diagnosis
1. State Key Laboratory of Industrial Control Technology, College of Control Science；Engineering Zhejiang University Hangzhou, China；Engineering Zhejiang University 2. School of Information；Electrical Engineering, Zhejiang University City College Hangzhou, China
S2S-FDD通过将高维传感器信号转换为自然语言摘要，并结合树状结构诊断方法，实现可解释的零样本故障诊断。
2026-03-09 cs.AI
Multi-Fault Diagnosis Of Industrial Rotating Machines Using Data-Driven Approach: A Review Of Two Decades Of Research
Symbiosis Institute of Technology (SIT), Symbiosis International (Deemed) University（共生国际（被视为）大学共生技术学院（SIT））；Machine Intelligence Research Labs（机器智能研究实验室）
工业4.0是智能制造的时代。不使用机器，制造业是不可能的。这些机器中的大多数包括旋转部件并且被称为旋转机器。工程师的首要任务是维护这些关键机器，以减少计划外停机并延长机器的使用寿命。预测性维护（PDM）是当前智能维护的发展趋势。PDM中最具挑战性的任务是诊断故障类型。随着人工智能（AI）的进步，数据驱动的预测性维护方法正在向智能制造迈进。一些研究人员已经发表了与旋转机械故障诊断相关的工作，主要是探索单一类型的故障。然而，一个综合的文献综述，更侧重于旋转机械的多故障诊断缺乏。有必要系统地涵盖从传感器选择、数据采集、特征提取、多传感器数据融合到多故障诊断中所采用的人工智能技术的系统回顾的所有方面。在这方面，本文试图实现同样的，通过实施一个系统的文献综述的数据驱动的方法，多故障诊断的工业旋转机械使用系统评价和荟萃分析（PRISMA）方法的首选报告项目。PRISMA方法是系统评价和其他荟萃分析的组成和结构指南的集合。本文确定了在该领域所做的基础工作，并给出了工业旋转机械的多故障诊断相关的不同方面的比较研究。本文还指出了主要的挑战，研究差距。它提供了解决方案，利用人工智能在实现多故障诊断的最新进展，为该领域的未来研究奠定了坚实的基础。
2022-05-30 cs.AI
Graph Neural Network-Based Semi-Supervised Open-Set Fault Diagnosis for Marine Machinery Systems
Intelligent Transportation School, Zhejiang Institute of Communications, China（浙江交通学院智能交通学院）；Center for Applied Intelligent Systems Research, Halmstad University, Sweden（哈马碧大学应用智能系统研究中心）
针对船舶机械系统未知故障导致传统深度学习方法失效的问题，提出一种半监督开集故障诊断框架，通过多层融合特征构建可靠子集并结合半监督模型，实现已知故障准确分类与未知样本有效检测。
2025-11-03 cs.AI
Few-shot fault diagnosis based on multi-scale graph convolution filtering for industry
针对工业故障数据稀缺问题，提出多尺度图卷积滤波（MSGCF）方法，通过融合局部与全局信息缓解过平滑并降低过拟合风险，在PU数据集上准确率优于其他方法。
2024-05-30 cs.AI
Approximate Model-Based Diagnosis Using Greedy Stochastic Search
Delft University of Technology（代尔夫特理工大学）；University College Cork（科克大学学院）
我们提出了一个随机故障诊断算法，称为SAFARI，它的交易保证计算最小的诊断计算效率。我们经验证明，使用74 XXX和ISCAS-85套件的基准组合电路，SAFARI实现了几个数量级的加速比两个著名的确定性算法，CDA* 和HA*，多故障诊断;此外，SAFARI可以计算一系列的多故障诊断，CDA* 和HA* 不能。我们还证明了SAFARI是最佳的命题故障模型的范围内，如广泛使用的弱故障模型（模型的异常行为的无知）。讨论了一类具有固定故障模式的强故障电路模型中SAFARI的最优性。通过建模的算法本身作为一个马尔可夫链，我们提供了精确的界限上的最小诊断计算。SAFARI还显示了强大的随时行为，并将在任何非平凡的推理时间之后返回诊断。
2014-01-16 cs.AI
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
Automatic Channel Fault Detection and Diagnosis System for a Small Animal APD-Based Digital PET Scanner
Université de Sherbrooke（舍布鲁克大学）
故障检测和诊断对于许多应用至关重要，以确保随着时间的推移正常运行和性能。正电子发射断层扫描（PET）系统，需要定期校准合格的扫描仪操作员是这样的持续改进的良好候选人。此外，对于采用晶体与光电探测器的一对一耦合以实现增强的空间分辨率和对比度的扫描仪，由于涉及大量的独立通道，校准任务甚至更加艰巨。为了应对这些扫描仪的校准和质量控制程序的额外复杂性，设计了一个智能系统（IS）来对故障通道进行故障检测和诊断（FDD）。信息系统可以分为四个层次的模块：参数提取，通道故障检测，故障优先级和诊断。在这些模块中，前两个已经报道过，本文的重点是故障优先级和诊断。故障优先级模块的目的是帮助操作员将注意力集中在需要立即注意的故障上。然后，故障诊断模块将识别故障的原因，并提出导致诊断的原因的解释。FDD系统在基于LabPET雪崩光电二极管（APD）的数字PET扫描仪上实现。实验证明，重大故障的FDD灵敏度为99.3%（95%置信区间（CI）为：[98.7，99.9]）。在全球范围内，不同故障严重程度的诊断平衡准确率为92%。这表明IS可以大大有利于操作员在他们的维护任务。
2014-06-16 cs.AI nucl-ex
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
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
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
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
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
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
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
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
Simulation-to-reality UAV Fault Diagnosis with Deep Learning
National University of Singapore（新加坡国立大学）；Temasek Laboratories（淡马锡实验室）
螺旋桨故障的准确诊断是保证四旋翼飞行器安全高效运行的关键。使用模拟数据训练故障分类器并将其部署在真正的四旋翼上是一种具有成本效益且安全的方法。然而，仿真与现实的差距往往导致分类器在实际飞行中应用时性能不佳。在这项工作中，我们提出了一个深度学习模型，通过利用新识别的特征（NIF）作为输入，并利用领域自适应技术来减少模拟到现实的差距，以解决这个问题。此外，我们还介绍了一种调整后的仿真模型，该模型生成的训练数据更准确地反映了真实四旋翼的行为。实验结果表明，该方法对螺旋桨故障的检测准确率达到96%.据我们所知，这是第一个可靠和有效的方法，模拟到现实的故障诊断的四旋翼螺旋桨。
2023-02-09 cs.AI cs.RO
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
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
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
Fault Diagnosis in Power Grids with Large Language Model
University of Malaya（马来亚大学）
针对传统电网故障诊断难应对数据复杂多变的问题，提出结合提示工程与ChatGPT、GPT-4的方法，经新建数据集验证，在多方面性能显著优于基线技术，为电网故障诊断提供新方案。
2024-07-11 cs.AI cs.CL
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
Multi-Level Temporal Graph Networks with Local-Global Fusion for Industrial Fault Diagnosis
Department of Chemical Engineering, Texas Tech University（德克萨斯理工大学化学工程系）
本文提出一种多级时序图网络，通过局部-全局特征融合提升工业故障诊断性能，实验表明其在复杂故障场景中表现优于基线方法。
2026-04-20 cs.AI cs.LG
Robust Unsupervised Fault Diagnosis For High-Dimensional Nonlinear Noisy Data
School of Automation, Chongqing University（重庆大学自动化学院）；School of Computer Science, Sun Yat-Sen University（中山大学计算机学院）；Peng Cheng Laboratory（鹏城实验室）
本文提出一种鲁棒无监督故障诊断方法，通过特殊降维、图结构非线性特征增强以及$l_{2,1}$范数和典型性感知约束优化，在田纳西-伊斯曼基准和热轧钢实际过程上验证了其在噪声和离群点条件下仍能保持高诊断精度的优势。
2025-03-11 cs.AI cs.LG
Learning in the Model Space for Fault Diagnosis
University of Birmingham（伯明翰大学）
大规模传感器网络的出现为采集大量的实时数据以监控复杂的工程系统提供了便利。然而，在许多情况下，所收集的数据可能不完整或不一致，而基本环境可能是时变的或未制定的。在本文中，我们已经开发了一个创新的认知故障诊断框架，解决上述挑战。该框架在模型空间而不是信号空间中研究故障诊断。模型空间中的学习通过使用滚动窗口选择的一系列信号段拟合一系列模型来实现。通过研究拟合模型空间中的学习技术，可以使用一类学习算法区分故障模型和健康模型。该框架使我们能够构建故障库时，未知的故障发生，这可以被视为认知故障隔离。本文还从理论上研究了如何在模型空间中度量两个模型之间的成对距离，并将模型距离引入到模型空间的学习算法中。巴塞罗那供水管网的三个基准应用程序和一个模拟模型的结果证实了所提出的框架的有效性。
2012-10-31 cs.AI cs.LG
Hierarchical Deep Recurrent Neural Network based Method for Fault Detection and Diagnosis
University of Waterloo（滑铁卢大学）
提出了一种基于深度神经网络（DNN）的工业设备故障检测和分类算法。该算法具有故障分类的能力，特别是早期故障，难以检测和诊断与传统的阈值为基础的统计方法或传统的人工神经网络（ANN）。该算法是基于一个监督深度递归自动编码器神经网络（监督DRAE-NN），使用动态信息的过程中沿时间范围。基于该网络的层次结构，制定了分组故障的基础上，它们的相似性到故障的检测和诊断的子集。此外，一个外部的伪随机二进制信号（PRBS）的设计和注入到系统中，以识别早期故障。基于层次结构的策略提高了早期和非早期故障的检测和分类精度显着。所提出的方法进行测试的基准田纳西伊士曼过程中的显着改善分类相比，多变量线性模型为基础的战略和非层次非线性模型为基础的战略。
2020-12-07 cs.AI cs.LG
Class Incremental Fault Diagnosis under Limited Fault Data via Supervised Contrastive Knowledge Distillation
ZJU-UIUC Joint Institute at Zhejiang University（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合研究所）；ZJU-UoE Institute at Zhejiang University（浙江大学-爱丁堡大学联合研究所）；College of Biomedical Engineering and Instrument Science at Zhejiang University（浙江大学生物医学工程与仪器科学学院）；College of Computer Science and Technology in Zhejiang University（浙江大学计算机科学与技术学院）
提出SCLIFD框架，通过监督对比知识蒸馏、优先样本选择和随机森林分类器，解决类增量故障诊断中少样本、灾难性遗忘和类别不平衡问题，在模拟和真实工业数据集上表现优于现有方法。
2025-01-19 cs.AI cs.LG
Learning to better see the unseen: Broad-Deep Mixed Anti-Forgetting Framework for Incremental Zero-Shot Fault Diagnosis
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
针对工业场景下零样本故障诊断的持续学习需求，提出增量零样本故障诊断范式及宽深混合防遗忘框架，通过深度生成模型与宽学习系统建立双记忆机制，无需存储历史样本即可学习新故障类别与属性并防止遗忘。
2024-03-18 cs.AI 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
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
Domain Adaptation-based Edge Computing for Cross-Conditions Fault Diagnosis
School of Aerospace Engineering, Huazhong University of Science and Technology（华中科技大学航空航天学院）
针对跨工况故障诊断，本文提出基于域自适应的轻量级边缘计算框架，通过迁移云模型知识至边缘模型，在NVIDIA Jetson平台上实现准确率显著提升。
2025-10-24 cs.AI cs.DC cs.SE
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
Hard Sample Mining Enabled Supervised Contrastive Feature Learning for Wind Turbine Pitch System 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）
本文提出HSMSCL方法，通过余弦相似度识别难样本并结合监督对比学习与难样本训练MLP，在变桨系统故障诊断中取得优于现有方法的性能。
2023-08-11 cs.AI cs.LG
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
Logistic-ELM: A Novel Fault Diagnosis Method for Rolling Bearings
Northeastern University（东北大学）
滚动轴承故障诊断是实现机械状态监测预知维修的关键技术。在实际工业系统中，滚动轴承故障诊断的主要挑战是准确性和实时性要求。现有的方法大多侧重于保证精度，而对实时性的要求往往被忽视。在本文中，考虑到这两个要求，我们提出了一种新的快速故障诊断方法的滚动轴承，极端学习机（ELM）和逻辑映射的基础上，命名为逻辑ELM。首先，根据机械振动原理从原始振动信号中识别出14种时域特征，并采用序贯前向选择（SFS）策略从中选择最优特征，以保证基本的预测精度和效率。接下来，我们提出了用于快速故障分类的logistic-ELM，其中ELM中的偏差被省略，并且随机输入权重被混沌Logistic映射序列所取代，该序列涉及更高的不相关性，以获得更准确的结果，具有更少的隐藏神经元。我们进行了广泛的实验，滚动轴承振动信号数据集的凯斯西储大学（CWRU）轴承数据中心。实验结果表明，该方法在预测精度方面优于现有的SOTA比较方法，在7个子数据环境下的预测精度最高可达100%.有关守则可在https://github.com/TAN-OpenLab/logistic-ELM上公开查阅。
2022-04-23 cs.AI cs.LG
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
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
Constructive Incremental Learning for Fault Diagnosis of Rolling Bearings with Ensemble Domain Adaptation
针对滚动轴承故障诊断中样本有限及故障特征随机模糊的问题，提出构造性增量学习基集成域自适应（CIL-EDA）方法，结合云特征提取与小波包分解，通过域匹配增强跨域学习，实验证明在少样本场景下优于现有方法。
2023-08-29 cs.AI cs.LG eess.SP
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
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
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
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
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
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
Active Diagnosis via AUC Maximization: An Efficient Approach for Multiple Fault Identification in Large Scale, Noisy Networks
University of Michigan（密歇根大学）；University of Texas Medical Branch（德克萨斯大学医学部）；Institute for Translational Sciences（转化科学研究所）；Electrical Engineering and Computer Science（电气工程与计算机科学学院）
主动诊断的问题出现在诸如疾病诊断和计算机网络中的故障诊断的若干应用中，其中目标是快速识别一组对象的二进制状态（例如，故障或工作）通过顺序地选择和观察对二进制值查询的（噪声）响应。目前在这方面的算法依赖于循环的信念传播主动查询选择。这些算法具有指数级的时间复杂度，这使得它们在大型网络中变得缓慢甚至难以处理。我们提出了一个基于排名的贪心算法，顺序选择查询，使基于排名的输出的ROC曲线下的面积最大化。AUC准则允许我们做出一个简化的假设，显著降低了主动查询选择的复杂性（从指数到接近二次），而对性能质量几乎没有影响。
2012-02-14 cs.AI cs.LG stat.ML
A Novel Transfer Learning Method Utilizing Acoustic and Vibration Signals for Rotating Machinery Fault Diagnosis
South China University of Technology（华南理工大学）
针对旋转机械故障诊断中训练与实际数据分布差异导致性能下降的问题，提出一种利用声学和振动信号结合MAVgram特征融合与DNN分类器的迁移学习方法，通过预训练与微调提升诊断性能。
2023-10-20 cs.AI cs.SD eess.AS
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
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
Hierarchical Fault Detection and Diagnosis for Transformer Architectures
Faculty of Computer Science（计算机科学系）；Dalhousie University（达尔豪斯大学）
DEFault++通过三级抽象检测、分类和诊断变压器故障，利用原型匹配与监督对比学习在DEFault-bench上实现高检测准确率和分类性能。
2026-06-26 cs.AI cs.LG cs.SE
Asynchronous Decentralized Federated Learning for Collaborative Fault Diagnosis of PV Stations
Shanghai Jiao Tong University（上海交通大学）；Yanshan University（燕山大学）
由于光伏阵列的各种故障所造成的损失各不相同，准确诊断故障类型变得越来越重要。与单个光伏电站相比，多个光伏电站收集了足够的故障样本，但由于潜在的利益冲突，它们的数据不允许直接共享。因此，可以利用联邦学习训练协同故障诊断模型。然而，由于每个光伏电站具有不同的计算能力和数据量，模型更新机制严重影响建模效率。此外，为了光伏系统的安全稳定运行，必须保证协同建模的鲁棒性，而不是简单地在中央服务器上进行处理。为了解决这些问题，提出了一种新的异步分散式联邦学习（ADFL）框架。每个光伏电站不仅训练其本地模型，而且通过交换模型参数来参与协同故障诊断，以提高泛化能力而不损失准确性。全局模型采用分布式聚集，避免中心节点失效。通过设计异步更新机制，大大减少了通信开销和训练时间。通过实验和数值仿真验证了该方法的有效性。
2022-02-28 cs.AI cs.CE cs.DC
CFaults: Model-Based Diagnosis for Fault Localization in C Programs with Multiple Test Cases
INESC-ID, IST, Universidade de Lisboa, Portugal（葡萄牙里斯本大学、IST、INESC-ID）
针对现有基于公式的故障定位方法存在多测试下诊断不一致、易生成冗余结果的问题，本文提出CFaults方法，结合多观测MBD与统一MaxSAT公式实现多故障C程序定位，实验证明其速度更快且仅生成子集最小诊断。
2025-09-05 cs.AI cs.LO cs.SE
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
