Parallelization is All System Identification Needs: End-to-end Vibration Diagnostics on a multi-core RISC-V edge device
本文提出PARSY-VDD，一个基于系统辨识的并行端到端振动损伤检测框架，通过架构无关的算法优化在多核边缘设备GAP9上实现高效执行，显著降低能耗和延迟，优于单核方案。
2025-04-07 eess.SP
Bearing damage detection with orthogonal and non-negative low-rank feature extraction
针对轴承损伤检测中从噪声信号提取微弱冲击分量的问题，提出基于随机采样正交非负矩阵分解的频带选择性滤波方法，在仿真和真实振动/声学信号上优于现有选择器。
2024-03-19 eess.SP
Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
本文提出基于振动信号时频图与二维CNN的铁路车轴损伤检测系统，在3种轮对组件上取得0.93、0.86和0.75的AUC，优于其他方法，可分类4级缺陷。
2022-11-15 cs.LG eess.SP
Robust correlation measures for informative frequency band selection in heavy-tailed vibration signal
针对破碎机重尾振动信号中的脉冲噪声干扰，提出基于截尾相关、象限相关与中值滤波的信息频带选择方法，并通过仿真、实测振动和声信号验证其优于传统相关与成熟选择器。
2025-02-16 eess.SP
Experimental and Signal Processing Techniques for Fault Diagnosis on a Small Horizontal-Axis Wind Turbine Generator
University of Perugia（佩鲁贾大学）
针对被忽视的小型HAWT发电机状态监测问题，通过风洞与试验台测试采集振动数据，用时频域分析结合谱相干分析诊断轴承保持架故障。
2026-08-31 eess.SP
CNN-Based Structural Damage Detection using Time-Series Sensor Data
Vymo（维莫科技）；Indian Institute of Technology (BHU)（印度理工学院（瓦拉纳西））
本研究针对现有结构损伤检测方法依赖先验知识的问题，提出融合时空特征的新型CNN算法，在LANL三层结构基准数据集上实现了极高的损伤检测准确率。
2023-11-09 cs.LG eess.SP
Damage Detection in Bridge Structures: An Edge Computing Approach
基于无线传感器网络（WSN）的SHM系统与传统的有线SHM系统相比在监测的成本、准确性和可靠性方面已经显示出显著的改进。然而，由于传感器节点的资源受限性质，实时处理大量感测到的振动数据是一个挑战。现有的数据处理机制是集中式的，并且使用云或远程服务器来分析数据以表征桥的状态，即，健康或受损。这些方法对于有线SHM系统是可行的，然而，在无线传感器网络中传输巨大的数据集已被发现是艰巨的。在本文中，我们提出了一种名为“网络内边缘损伤检测（INDDE）”的机制，该机制从与桥梁健康状况相对应的原始加速度测量中提取统计特征，并使用它们来训练概率模型，即，估计多元高斯分布的概率密度函数。经过训练的模型有助于实时识别从桥梁未知状况中收集的新数据点的异常行为。每个边缘设备根据其各自的训练模型将桥的状况分类为围绕其部署区域的“健康”或“损坏”。实验结果表明，有希望的96-100%的损伤检测精度与没有数据传输从传感器节点到云处理的优势。
2020-08-15 cs.DC eess.SP
Non-negative matrix underapproximation as optimal frequency band selector
针对NMF在噪声环境下难以检测轴承损伤的问题，提出用非负矩阵欠逼近（NMU）作为频带选择器，因其稀疏表示提供更选择性滤波器，提升信噪比，并在振动和声学信号上验证了有效性。
2024-03-19 eess.SP
Machine Learning-Based Unbalance Detection of a Rotating Shaft Using Vibration Data
Fraunhofer IIS/EAS, Fraunhofer Institute for Integrated Circuits Division Engineering of Adaptive Systems（弗劳恩霍夫集成电路研究所自适应系统工程部）
在振动传感器的帮助下，旋转机械的故障检测提供了在早期阶段检测机器损坏并通过采取适当措施防止生产停机的可能性。使用机器学习方法对振动数据进行分析，可以显著减少相关的分析工作，并进一步提高诊断准确性。在这里，我们发布了一个数据集，它被用作不平衡检测算法的开发和评估的基础。为此，各种尺寸的不平衡使用3D打印的支架连接到旋转轴上。在速度范围从大约。630 RPM至2330 RPM，三个传感器用于以每秒4096个值的采样率记录旋转轴上的振动。开发和评估数据集可用于每个不平衡强度。使用以这种方式记录的数据集，测试了基于自动提取的时间序列特征的全连接和卷积神经网络、隐马尔可夫模型和随机森林分类。在评估数据集上的预测准确率为98.6%的情况下，可以使用接收缩放的FFT变换的振动数据作为输入的全连接神经网络来实现最佳结果。
2020-07-31 cs.LG eess.SP
Joint Instantaneous Amplitude-Frequency Analysis of Vibration Signals for Vibration-Based Condition Monitoring of Rolling Bearings
本研究提出一种基于包络分析的低复杂度滚动轴承振动状态监测方法，联合瞬时幅频构建三种新包络表示并提取六种高判别特征，故障检测诊断性能优异且复杂度适中，同时公开代码保障可复现性。
2024-05-14 cs.SY eess.SP eess.SY
Explainable AI Algorithms for Vibration Data-based Fault Detection: Use Case-adadpted Methods and Critical Evaluation
Fraunhofer Institute for Integrated Circuits（弗劳恩霍夫集成电路研究所）；University of Bamberg（班贝格大学）
使用深度神经网络算法分析振动数据是早期检测旋转机械损伤的有效方法。然而，这些方法的黑箱方法通常不能提供令人满意的解决方案，因为分类的原因是人类无法理解的。因此，这项工作研究了可解释人工智能（XAI）算法在卷积神经网络中的应用，用于基于振动的状态监测。为此，将各种XAI算法应用于基于傅里叶变换的分类以及振动信号的阶次分析。结果被可视化为每分钟转数（RPM）的函数，以频率-RPM图和阶数-RPM图的形式。这允许评估取决于旋转速度的特征和具有恒定频率的特征的显著性。为了比较XAI方法的解释能力，首先使用具有已知类别特定特征的合成数据集进行调查。然后，一个真实世界的数据集的振动为基础的不平衡分类的电动机，它运行在一个广泛的转速范围内，使用。一个特别的重点是放在数据的可变周期性的一致性，这转化为现实世界的机器的不同转速。这项工作的目的是显示不同的优点和缺点的方法为这个用例：GradCAM，LRP和石灰与一个新的扰动策略。
2022-07-21 cs.LG eess.SP
Synergistic Signal Denoising for Multimodal Time Series of Structure Vibration
Changchun Technology Institute（长春工学院）
针对结构健康监测中多模态振动信号去噪难题，提出融合卷积、循环架构与注意力机制的深度学习算法，可提升预测精度与早期损伤检测能力，为可解释AI驱动的结构健康监测提供支撑。
2023-08-17 cs.LG eess.SP
Fully convolutional networks for structural health monitoring through multivariate time series classification
Politecnico di Milano（米兰理工大学）；MOX - Dipartimento di Matematica, Politecnico di Milano（米兰理工大学MOX - 数学系）；Dipartimento di Ingegneria Civile e Ambientale, Politecnico di Milano（米兰理工大学土木工程与环境工程系）
我们提出了一种新的方法，结构健康监测（SHM），旨在通过普适传感器系统获取的数据的损伤敏感功能的自动识别。损伤检测和定位被公式化为分类问题，并通过全卷积网络（FCN）来解决。建议的网络架构进行监督训练的数据提取的数值模拟的物理模型（扮演的角色数字孪生的结构进行监测）占不同的损害情况。通过依赖于这个简化模型的结构，几个负载条件被认为是在训练阶段的FCN，其架构已被设计为处理不同长度的时间序列。神经网络的训练是在监测系统开始运行之前完成的，因此能够进行实时的损伤分类。所提出的策略的数值性能进行了评估的数值基准情况下，包括一个八层楼的剪切建筑受到两种载荷类型，其中一个建模随机振动由于低能量地震活动。测量噪声已被添加到结构的响应，以模仿一个真正的监测系统的输出。非常好的分类能力：在九个可能的替代品（代表的健康状态，并在任何楼层的损坏），损坏正确分类的情况下，高达95%，从而显示出强大的潜力，所提出的方法，在现实生活中的情况下的应用。
2020-02-12 cs.LG eess.SP
Confounder-adjusted Covariances of System Outputs and Applications to Structural Health Monitoring
本文提出基于非参数核估计的条件协方差矩阵方法，显式量化系统输出协方差变化，应用于结构健康监测中的混杂因素调整，结合马氏距离和主成分分析生成更可靠的损伤检测诊断值并减少误报。
2024-09-26 eess.SP stat.AP
Temporal clustering network for self-diagnosing faults from vibration measurements
Michigan Engineering（密歇根工程学院）
有必要在操作机器中建立智能，并对监测信号进行数据分析，以量化操作系统的健康状况并自诊断任何故障的启动。内置的控制程序可以自动采取纠正措施，以避免在诊断出故障时发生灾难性故障。本文提出了一种用于处理在操作系统（即机器基础、机器外壳等）上进行的加速度测量的时间聚类网络（TCN）能力，或任何其它类型的时间信号，并基于所监测的信号确定故障何时开始。新功能使用：一维卷积神经网络（1D-CNN）用于处理测量;无监督学习（即，训练1D-CNN不需要来自不同操作条件的标记信号，也不需要原始与受损条件下的信号）;（即，将反映操作条件的不同集群中的信号分组）;以及用于识别不是与原始操作条件相关联的任何簇的成员的故障信号的统计分析。一个案例研究表明其操作包括在文件中。最后，确定了进一步研究的主题。
2020-06-16 cs.LG eess.SP
A generative adversarial network optimization method for damage detection and digital twinning by deep AI fault learning: Z24 Bridge structural health monitoring benchmark validation
University of Bath（巴斯大学）；Loughborough University（拉夫堡大学）
本文提出一种条件标记生成对抗网络无监督框架，用于损伤检测和数字孪生，在Z24桥梁结构健康监测基准上验证了其在数据稀缺或状态未知时准确捕获损伤的能力。
2025-10-30 cs.AI cs.CV cs.LG
Structural Vibration Signal Denoising Using Stacking Ensemble of Hybrid CNN-RNN
Stanford University（斯坦福大学）；Google Inc.（谷歌公司）；Hong Kong Polytechnic University（香港理工大学）
针对结构振动信号（尤其是脚步诱发信号）受噪声干扰影响分析精度的问题，提出包含预处理、混合建模、集成三阶段的CNN-RNN堆叠集成去噪模型，在多噪声水平下的多项指标表现优于现有算法。
2023-07-23 cs.AI cs.LG eess.SP
A method for signal components identification in acoustic signal with non-Gaussian background noise using clustering of data in time-frequency domain
针对非高斯噪声污染的振动/声学信号故障检测难题，提出基于时频域谱向量分布密度聚类的方法，结合DBSCAN分离信号分量，经ENVSI验证并在工业故障轴承信号上成功应用。
2025-02-17 eess.SP
