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
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
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
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
Smart filter aided domain adversarial neural network for fault diagnosis in noisy industrial scenarios
Tongji University(同济大学);EPFL(洛桑联邦理工学院);Xi’an Jiaotong University(西安交通大学)
本文提出 SFDANN,通过智能滤波器在时频域拉近源域与目标域,并结合 DANN 统一优化特征接近、域对齐和分类,提升噪声工业场景下的故障诊断性能与稳定性。
2023-09-29 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
Wasserstein Distance based Deep Adversarial Transfer Learning for Intelligent Fault Diagnosis
Huazhong University of Science and Technology(华中科技大学);State Key Lab of Digital Manufacturing Equipment and Technology(数字制造装备与技术国家重点实验室)
近年来,人工智能技术对状态检修策略的需求急剧增加。智能故障诊断是机械系统维修解决方案的一个重要课题。深度学习模型,如卷积神经网络(CNN),已成功应用于机械系统的故障诊断任务,并取得了可喜的成果。然而,由于工业中工作环境的多样性,深度学习面临两个困难:一是定义良好的(源域)和新的(目标域)数据集具有不同的特征分布;二是目标域中标记数据不足或没有标记数据会显著降低故障诊断的准确性。深度迁移学习(DTL)是一种新颖的思想,它通过利用来自相关源域的信息在目标域中进行学习。受最优传输的Wasserstein距离的启发,本文提出了一种新的DTL智能故障诊断方法,即基于Wasserstein距离的深度转移学习(WD-DTL),以学习域特征表示(由基于CNN的特征提取器生成),并通过对抗训练来最小化源域和目标域之间的分布。通过3种传输场景和16个无监督和有监督(标记数据不足)学习的传输故障诊断实验,验证了所提出的WD-DTL的有效性。我们还提供了这些传输任务的网络可视化的全面分析。
2019-03-02 cs.LG eess.SP stat.ML
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
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
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
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
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
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
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
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
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
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
SynForceNet: A Force-Driven Global-Local Latent Representation Framework for Lithium-Ion Battery Fault Diagnosis
SINO-German College of Intelligent Manufacturing, Shenzhen Technology University(深圳技术大学中德智能制造学院)
本文提出SynForceNet,结合核一类分类和最小体积估计的深度异常检测框架,通过引入机械约束和STDP动态表示,提升复杂故障表征能力,并在860万数据点上验证,相比基线方法在TPR、PPV、F1分数和AUC上分别提升7.59%、27.92%、18.28%和23.68%。
2026-03-24 cs.LG
Fault Diagnosis of Helical Gear Box using Large Margin K-Nearest Neighbors Classifier using Sound Signals
Indian Institute of Information Technology Design and Manufacturing Jabalpur(印度信息技术设计与制造学院);Birla Institute of Technology and Science – Pilani(比尔拉理工学院);National Institute of Technology Karnataka(卡纳塔克国立理工学院);VIT University(韦洛尔理工大学)
齿轮传动是机械中应用最广泛的传动系统之一。旋转机械的声信号包含了其健康状况的动态信息。没有太多的资料,在文献中报告适用性的声音信号的故障诊断应用。大多数文献都是基于FFT(快速傅里叶变换)分析,并且对于非平稳信号(如来自齿轮的信号)有其自身的局限性。本文尝试利用齿轮在良好和模拟故障状态下的声音信号,通过机器学习方法进行故障诊断。从采集到的声音信号中提取描述性统计特征,并利用J 48决策树技术筛选出优势特征。然后使用大间隔K-最近邻方法将所选择的特征用于分类。本文还讨论了各种参数对分类精度的影响。
2015-08-19 cs.LG
An End-to-End Comprehensive Gear Fault Diagnosis Method Based on Multi-Scale Feature-Level Fusion Strategy
Xinjiang University(新疆大学);School of Intelligent Manufacturing and Modern Industry(智能制造与现代产业学院)
本文提出一种基于Gabor-ASTFT和DTCWT双通道特征融合与残差CNN的齿轮端到端故障诊断方法,实现了多尺度特征提取与高精度分类。
2025-03-31 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
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
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
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
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
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
On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine
Indian Institute of Technology Bombay(孟买印度理工学院)
受机器学习最新进展的启发,针对实验室燃气轮机系统的燃料供应系统和传感器测量中的故障,明确开发了数据驱动的故障诊断和隔离(FDI)方案。实现了一种被动的故障诊断方法,其中使用机器学习分类器来训练模型,以实时检测其被训练的给定故障场景集。最后,比较研究了著名的分类技术,即支持向量分类器,线性判别分析,K-邻居,和决策树。几个仿真研究进行了演示和说明所提出的故障诊断方案的优点,能力和性能。
2021-10-19 cs.LG cs.SY eess.SY
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
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
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
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
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
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
Oversampling Adversarial Network for Class-Imbalanced Fault Diagnosis
Shanghai Jiao Tong University(上海交通大学)
从工业机器收集的数据通常是不平衡的,这对学习算法造成了负面影响。然而,对于混合类型的数据或当类之间存在重叠时,这个问题变得更具挑战性。类不平衡问题需要一个鲁棒的学习系统,能够及时预测和分类数据。我们提出了一个新的对抗网络,同时分类和故障检测。特别是,我们通过从建议的混合数据分布中生成错误样本来恢复不平衡数据集中的平衡。我们设计了我们的模型来处理生成的错误样本,以防止离群值和过拟合。我们的经验表明,(i)使用生成器训练的故障检测器从正常和故障数据分布的混合中生成样本,其可以被认为是故障检测器;(ii)所生成的故障样本的质量优于其他合成恢复技术。实验结果表明,该模型与其他故障诊断方法相比,在多个评价指标上表现良好;特别是,生成对抗网络(GAN)和特征匹配函数的结合在识别故障样本方面是有效的。
2020-08-07 cs.CV 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
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
Use Digital Twins to Support Fault Diagnosis From System-level Condition-monitoring Data
CentraleSupélec(中央高等电力学院);Université Paris-Saclay(巴黎-萨克雷大学);Shenzhen Weimin Institute for Reliability Systems Engineering(深圳伟民可靠性系统工程研究院);Laboratoie Genie Industriel(工业工艺实验室)
本文提出利用数字孪生训练数据驱动的故障诊断模型,以减少故障数据需求,并基于系统级监测数据诊断组件级故障,在真实机器人系统上验证了9种故障诊断效果。
2024-11-02 cs.LG cs.RO
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
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
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
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
Can Hessian-Based Insights Support Fault Diagnosis in Attention-based Models?
Dalhousie University(达尔豪斯大学)
本文实证评估 Hessian 分析用于注意力模型故障诊断,借助曲率与参数交互指标在 HAN、3D-CNN 和 DistilBERT 上更准确地定位不稳定性及故障来源。
2025-06-09 cs.LG cs.SE
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