Multimodal Bearing Fault Classification Under Variable Conditions: A 1D CNN with Transfer Learning
University of Oklahoma（俄克拉荷马大学）
本研究提出一种融合振动与电流信号的多模态一维CNN，结合迁移学习实现变工况下轴承故障分类，基准工况准确率达96%，并通过保留浅层参数微调深层实现跨工况高性能。
2025-02-23 cs.AI cs.LG eess.SP
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
Early Bearing Fault Diagnosis of Rotating Machinery by 1D Self-Organized Operational Neural Networks
Izmir University of Economics（伊兹密尔经济大学）；Tampere University（坦佩雷大学）；Qatar University（卡塔尔大学）；Iowa State University（爱荷华州立大学）
现代电动旋转机械（RM）的预防性维护对于确保可靠运行、防止意外故障和避免昂贵的维修至关重要。最近，许多研究调查了机器学习监测方法，特别是基于深度学习网络，主要集中在检测轴承故障;然而，他们都没有解决轴承故障严重程度分类，早期故障诊断具有足够高的准确性。一维卷积神经网络（CNN）确实取得了良好的性能，从原始的振动和电流信号检测RM轴承故障，但没有分类故障的严重性。此外，最近的研究已经证明了传统CNN的学习能力的局限性，这归因于基本的潜在线性神经元模型。最近，提出了操作神经网络（ONNs），以通过引入非线性神经元模型和网络配置中的进一步异质性来增强CNN的学习能力。在这项研究中，我们提出了一维自组织ONNs（自ONNs）与生成神经元轴承故障严重程度分类，并提供连续的状态监测。在基准NSF/IMS轴承振动数据集上使用x轴和y轴振动信号进行内圈和滚动体故障的实验结果表明，所提出的1D Self-ONNs与具有类似计算复杂性的最新技术（1D CNN）相比实现了显著的性能差距。
2021-09-30 cs.AI cs.LG
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
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
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
BearingPGA-Net: A Lightweight and Deployable Bearing Fault Diagnosis Network via Decoupled Knowledge Distillation and FPGA Acceleration
Harbin Institute of Technology（哈尔滨工业大学）；The Hong Kong Polytechnic University（香港理工大学）；Analog Devices, Inc.（亚德诺公司）；The Chinese University of Hong Kong（香港中文大学）
本文提出轻量级可部署的轴承故障诊断模型BearingPGA-Net，通过解耦知识蒸馏训练并使用Verilog设计FPGA加速方案，首次在FPGA上部署基于CNN的此类模型，诊断速度较CPU提升超200倍且性能下降低于0.4%。
2023-07-31 cs.AI cs.AR cs.LG
A multi-stage semi-supervised improved deep embedded clustering method for bearing fault diagnosis under the situation of insufficient labeled samples
Harbin Institute of Technology（哈尔滨工业大学）
虽然数据驱动的故障诊断方法已得到广泛应用，但模型训练需要大量的标记数据。然而，在实际工业中实现这一点的困难阻碍了这些方法的应用。为此，提出了一种结合半监督学习和改进的深度嵌入聚类（IDEC）的多阶段半监督改进的深度嵌入聚类（MS-SSIDEC）方法，用于联合挖掘稀缺标记数据和海量未标记数据。在第一阶段，提出了一种基于跳过连接的卷积自动编码器（SCCAE），它可以自动将未标记的数据映射到低维特征空间，并预先训练成为故障特征提取器。在第二阶段，提出了一种半监督改进的深度嵌入式聚类（SSIDEC）网络进行聚类。它首先使用可用的标记数据进行初始化，然后用于同时优化聚类标记分配并使特征空间更加聚类友好。为了解决过拟合现象，在此阶段引入虚拟对抗训练（VAT）作为正则化项。在第三阶段，伪标签是由SSIDEC的高质量的结果获得。标记的数据集可以通过这些伪标记的数据来增强，然后利用这些伪标记的数据来训练轴承故障诊断模型。两个公共数据集的滚动轴承振动数据被用来评估所提出的方法的性能。实验结果表明，该方法在半监督和无监督故障诊断任务中都取得了良好的效果。该方法通过有效地挖掘无监督数据，为有限标记样本情况下的故障诊断提供了一种新的方法。
2021-11-23 cs.AI cs.LG eess.SP
Attention-embedded Quadratic Network (Qttention) for Effective and Interpretable Bearing Fault Diagnosis
Harbin Institute of Technology（哈尔滨工业大学）；Weill Cornell Medicine（威尔康奈尔医学院）；Cornell University（康奈尔大学）
针对深度学习在轴承故障诊断中缺乏可解释性的问题，提出基于二次神经元的卷积网络原型，并推导出qttention注意力机制，实现了有效且固有可解释的轴承故障诊断。
2022-08-08 cs.LG eess.SP
A Robust Deep Learning System for Motor Bearing Fault Detection: Leveraging Multiple Learning Strategies and a Novel Double Loss Function
AIWARE Limited Company（AIWARE有限公司）；AIT Austrian Institute of Technology GmbH（奥地利AIT技术研究院）；FPT University（FPT大学）；The University of Danang - University of Science and Technology（岘港大学-科技大学）
本文提出一种融合监督、半监督和无监督学习并引入新颖双重损失函数的鲁棒深度学习系统，用于电机轴承故障检测，在MFPT、CWRU和PU数据集上取得优于传统方法的准确率。
2024-10-20 cs.AI cs.LG
BearingNAS: Obtaining In-Sensor Intelligent Fault Diagnosis Systems for Bearings Using a Laptop
Case Western Reserve University（凯斯西储大学）；STMicroelectronics（意法半导体）
研究利用BearingNAS框架，通过轻量级无导数搜索策略及单数据流搜索空间，针对微预算优化轴承故障诊断架构，在笔记本电脑CPU上运行，为意法半导体目标实现高诊断准确率，证明可将机器学习负载移至传感器封装内进行低成本故障诊断。
2026-07-22 cs.AI cs.LG
Explainable fault and severity classification for rolling element bearings using Kolmogorov-Arnold networks
School of Electrical & Computer Engineering, National Technical University of Athens（电气与计算机工程学院，雅典技术大学）
本研究利用Kolmogorov-Arnold网络构建统一框架，通过自动特征选择和超参数调优实现滚动轴承故障与严重程度的可解释分类，在多个数据集上达到100% F1分数，并具备处理多种故障类型的适应性。
2025-10-22 cs.AI cs.LG
Source-free domain adaptation based on label reliability for cross-domain bearing fault diagnosis
Guangdong Provincial Key Laboratory of Petrochemical Equipment Fault Diagnosis（广东省石化设备故障诊断重点实验室）；School of Computer, Guangdong University of Petrochemical Technology（广东石油化工学院计算机学院）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
本文提出一种基于标签可靠性的无源域适应轴承故障诊断方法，通过数据增强标签投票划分可靠与不可靠伪标签，同时利用两者实现判别性与多样性平衡，并在两个基准上取得显著性能提升。
2025-03-11 cs.AI cs.LG
FaultFormer: Pretraining Transformers for Adaptable Bearing Fault Classification
Carnegie Mellon University（卡内基梅隆大学）
提出基于transformer的自监督预训练与微调框架FaultFormer，通过tokenization和数据增强策略解决轴承故障分类中数据稀缺与泛化能力不足的问题，实现跨数据集的one-shot泛化。
2024-05-29 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
Ball Mill Fault Prediction Based on Deep Convolutional Auto-Encoding Network
Huazhong University of Science and Technology（华中科技大学）；Wugang Resources Group Co., Ltd.（武钢资源集团有限公司）
本文提出基于深度卷积自编码神经网络（DCAN）的异常检测方法，利用正常运行振动数据训练，克服标注与数据不平衡问题，有效识别球磨机轴承故障，提高检测效率并降低维护成本。
2023-11-09 cs.AI cs.LG
Explaining Deep Neural Networks for Bearing Fault Detection with Vibration Concepts
Ludwig Maximilians Universität（路德维希-马克西米利安大学）；Siemens AG（西门子股份公司）
本研究利用基于概念的解释方法（如概念激活向量）对振动信号训练的轴承故障检测深度神经网络进行解释，验证其假设后，提供人类可理解的模型内部工作洞察，以增强工业可靠性。
2023-10-17 cs.AI cs.LG
Fusion of Quadratic Time-Frequency Analysis and Convolutional Neural Networks to Diagnose Bearing Faults Under Time-Varying Speeds
Faculty of Information Technology and Communication Sciences, Tampere University（信息科技与通信科学学院，塔尔皮莱大学）；Faculty of Medicine and the Department of Clinical Neurophysiology at the University of Helsinki and Helsinki University Hospital（医学学院及赫尔辛基大学临床神经生理学系，赫尔辛基大学医院）；Department of Electrical Engineering, Qatar University（电气工程系，卡塔尔大学）
本文提出了一种融合二次时频分析与卷积神经网络的方法，用于在变速条件下诊断轴承故障，实现了较高的诊断准确率。
2026-01-19 cs.AI cs.LG cs.SY
Intelligent Bearing Fault Diagnosis Method Combining Mixed Input and Hybrid CNN-MLP model
South Ural State University（南乌拉尔国立大学）
滚动轴承是工业机械中应用最广泛的轴承之一。滚动轴承状态的恶化会导致旋转机械的全面故障。基于人工智能的方法在滚动轴承故障诊断中得到了广泛的应用。基于混合神经网络的方法已被证明可以实现最佳的诊断结果。通常，原始数据由安装在机器外壳上的加速度计产生。然而，每个信号的诊断效用高度依赖于相应加速度计的位置。本文提出了一种新的混合CNN-MLP基于模型的诊断方法，结合混合输入进行滚动轴承诊断。该方法成功地检测和定位轴承缺陷使用来自轴安装的无线加速度传感器的加速度数据。实验结果表明，该混合模型优于CNN和MLP模型单独操作，并可以提供一个高的检测准确率为99.6%的轴承故障相比，98%的CNN和81%的MLP模型。
2021-12-16 cs.LG
Synthesizing Rolling Bearing Fault Samples in New Conditions: A framework based on a modified CGAN
University of Victoria（维多利亚大学）
针对新工况下轴承故障数据稀缺的问题，提出一种基于改进CGAN的算法，利用实际工况数据训练并从目标工况正常数据生成故障数据，实验证明其合成数据质量有效。
2023-05-26 cs.LG
Deep learning-based fault identification in condition monitoring
Western Norway University of Applied Sciences（西挪威应用科技大学）；Nepal Telecommunications Authority（尼泊尔电信管理局）；Institute for Geoinformatics, University of Münster（明斯特大学地理信息学研究所）
针对现有轴承故障识别方法重准确率、轻推理速度的问题，提出基于CNN的滚动轴承实时故障识别方法，将振动信号编码为二维图像输入分类，并用CWRU数据集分析准确率与处理时间的关联。
2024-10-08 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
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
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
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
Meta-Learning Based Early Fault Detection for Rolling Bearings via Few-Shot Anomaly Detection
滚动轴承的早期故障检测可以识别出轴承健康状态的微小偏差，有助于提高机械系统的稳定性。在实际应用中，可用于EFD的目标方位数据非常有限，这使得EFD很难适应新方位的EFD任务。为了解决这个问题，许多基于迁移学习的EFD方法利用历史数据来学习可迁移的领域知识并对新目标轴承进行早期故障检测。然而，现有的大多数方法只考虑了不同工况下的分布漂移，而忽略了同一工况下轴承之间的差异，即单元间差异（Unit-to-Unit Variability，UtUV）。考虑UtUV的有限目标数据的EFD的设置可以用公式表示为Few-Shot异常检测任务。因此，本文提出了一种新的EFD方法的基础上元学习考虑UtUV。该方法可以学习一个基于关系网络（RN）的通用度量标准来衡量正常数据和新到达的目标方位数据之间的相似性。此外，该方法利用健康状态嵌入策略，以减少虚警。所提出的方法的性能进行了测试两个轴承数据集。实验结果表明，该方法能在较低虚警率的情况下较基线更早地检测出早期故障。
2023-02-28 cs.LG
Towards a more realistic evaluation of machine learning models for bearing fault diagnosis
Department of Electrical and Electronic Engineering, Federal University of Santa Catarina（电气与电子工程系，圣卡塔琳娜联邦大学）；Department of Mechanical Engineering, Federal University of Santa Catarina（机械工程系，圣卡塔琳娜联邦大学）
本文探讨了振动基轴承故障诊断中数据泄漏问题，提出无泄漏评估方法，改进分类任务为多标签问题，并通过四个数据集验证了方法对提升工业故障诊断系统可靠性的重要性。
2026-07-07 cs.LG 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
Rolling bearing fault diagnosis method based on generative adversarial enhanced multi-scale convolutional neural network model
Kunming University of Science and Technology（昆明理工大学）
针对卷积神经网络难以捕捉轴承信号相关特征及样本受限的问题，提出基于生成对抗增强多尺度卷积神经网络模型的方法，通过Gram角场编码、梯度惩罚Wasserstein距离生成对抗网络扩充样本，并结合多尺度卷积与注意力机制提取特征，实验证明其泛化与抗噪性能优于ResNet。
2024-03-21 cs.LG eess.SP
A Closer Look at Bearing Fault Classification Approaches
Deloitte & Touche LLP（德勤华永会计师事务所）；Deloitte Transactions & Business Analytics LLP（德勤交易与商业分析有限责任合伙公司）；Deloitte & Touche Assurance & Enterprise Risk Services India Private Limited（德勤华永审计与企业风险服务印度私人有限公司）
本文针对轴承故障分类中评估指标、数据划分和失效标签生成缺乏共识的问题，基于公开振动数据集开展实验，揭示数据泄漏导致高估、PCA 标签稳健及 $F$ 分数更适合不平衡数据。
2023-09-29 cs.AI cs.LG
Zero-Shot Motor Health Monitoring by Blind Domain Transition
Qatar University（卡塔尔大学）；Tampere University（坦佩雷大学）；West Virginia University（西弗吉尼亚大学）
对电机健康状况进行持续的长期监测对于早期发现轴承故障等异常至关重要（高达51%的电机故障归因于轴承故障）。尽管提出了许多轴承故障检测的方法，他们中的大多数需要正常（健康）和异常（故障）的数据进行训练。即使使用最近的深度学习（DL）方法，在来自同一机器的标记数据上进行训练，当一个或几个条件改变时，分类准确性也会显著降低。此外，当它们在另一台具有完全不同的健康和故障信号模式的机器上进行测试时，它们的性能会受到显着影响或可能完全失败。为了解决这个问题，在这项试点研究中，我们提出了一个zero-shot轴承故障检测方法，可以检测到任何故障的新（目标）机器上的工作条件，传感器参数，或故障特征。为了实现这一目标，一维运算生成对抗网络（Op-GAN）首先表征在各种条件、传感器参数和故障类型下源机器的正常和故障振动信号之间的过渡。然后，对于目标机器，可以生成潜在的故障信号，并且在其实际健康和合成的故障信号上，然后可以训练紧凑且轻量的1D Self-ONN故障检测器，以在发生时实时的检测真正的故障状况。为了验证所提出的方法，使用在不同条件和传感器位置下工作的两个不同电机创建了一个新的基准数据集。实验结果表明，这种新的方法可以准确地检测到任何轴承故障实现两个目标机器上的平均召回率约为89%和95%，无论其类型，严重程度和位置。
2022-12-12 cs.AI cs.LG
Airborne Sound Analysis for the Detection of Bearing Faults in Railway Vehicles with Real-World Data
FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Siemens Mobility GmbH（西门子交通有限公司）
本文提出利用MFCC特征和多层感知机分类器分析常规运营中的声学信号，以检测轨道车辆轴承故障，实验证明该方法能可靠识别训练中未包含的轴承损坏。
2023-05-24 cs.LG cs.SD eess.AS
Neural Factorization-based Bearing Fault Diagnosis
College of Computer and Information Science, Southwest University, Chongqing, China（计算机与信息科学学院，西南大学，重庆，中国）；College of Vehicle Engineering, Chongqing Industry and Trade Polytechnic, Chongqing, China（车辆工程学院，重庆工业贸易职业技术学院，重庆，中国）
本文提出基于神经分解的轴承故障诊断框架，通过多模式特征嵌入和神经分解融合，提升复杂条件下故障诊断性能。
2025-12-07 cs.LG
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
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
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
Novel features for the detection of bearing faults in railway vehicles
Friedrich-Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
本文针对铁路车辆轴承故障检测，提出使用MFCC和AMS音频特征替代传统时频域特征，并结合仅用健康数据训练的单类SVM检测异常，在真实工业场景下显著提升了分类性能。
2023-04-14 cs.LG cs.SD eess.AS
Machine Learning and Deep Learning Algorithms for Bearing Fault Diagnostics -- A Comprehensive Review
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Georgia Institute of Technology（佐治亚理工学院）；Northwestern University（西北大学）
在这篇综述论文中，我们系统地总结了现有的文献轴承故障诊断与机器学习（ML）和数据采掘技术。而传统的ML方法，包括人工神经网络（ANN）、主成分分析（PCA）、支持向量机（SVM）等，几十年来，深度学习（深度学习，DL）算法已成功应用于轴承故障的检测和分类，但在过去五年中，DL算法的最新发展引发了工业界和学术界对智能机器健康监测的新兴趣。在本文中，我们首先简要回顾了传统的ML方法，然后深入研究了轴承故障应用的最新DL算法。具体而言，基于DL的方法优于传统的ML方法的故障特征提取和分类性能方面进行了分析，DL技术实现的许多新功能也进行了总结。此外，为了获得更直观的洞察力，利用开源的凯斯西储大学（CWRU）轴承数据集对不同算法的分类精度进行了比较研究。最后，为了促进将各种DL算法应用于轴承故障诊断的过渡，针对特定的应用条件，例如设置环境、数据大小、传感器数量和传感器类型，提供了详细的建议和意见。进一步提高DL算法在健康监测方面的性能的未来研究方向也进行了讨论。
2020-02-06 cs.LG stat.ML
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
Bearings Fault Detection Using Hidden Markov Models and Principal Component Analysis Enhanced Features
Alexandria University（亚历山大大学）；Egypt-Japan University of Science and Technology (E-JUST)（埃及日本科学技术大学）
资产运行状况监控对于生产力、可靠性和成本降低的重要性日益增加。早期故障检测是作为新兴的预测和健康管理（PHM）哲学的一部分的健康管理的基石。本文提出了一种隐马尔可夫模型（HMM）来评估机器的健康退化。采用主成分分析（PCA）对振动信号进行特征增强。增强的特征捕获数据的二阶结构。基于轴承试验台的实验结果表明了该方法的可行性。
2021-04-21 cs.LG cs.LO
Physics-Informed Deep Learning and Partial Transfer Learning for Bearing Fault Diagnosis in the Presence of Highly Missing Data
Faculty of Electrical and Computer Engineering, Tarbiat Modares University（塔里克·莫达雷斯大学电气与计算机工程学院）；Faculty of Technology and Engineering, University of Mazandaran（马赞德兰大学技术与工程学院）
本文提出PTPAI方法，利用物理先验深度学习生成合成标注数据，并结合RF-Mixup、MK-MMSD、CDAN及加权策略解决高缺失数据下轴承故障诊断中的类别不平衡与部分集迁移问题。
2024-06-16 cs.AI cs.LG cs.SY
Real-Time Vibration-Based Bearing Fault Diagnosis Under Time-Varying Speed Conditions
Department of Computing Sciences, Tampere University（计算科学系，塔尔皮奥大学）；Department of Physiology, University of Helsinki（生理学系，赫尔辛基大学）；Department of Electrical Engineering, Qatar University（电气工程系，卡塔尔大学）
本文提出了一种实时CNN模型和Fisher-based SSA方法，用于在时间变化速度下实现高精度的轴承故障诊断。
2026-02-02 cs.AI cs.LG cs.SY
Classifier-guided neural blind deconvolution: a physics-informed denoising module for bearing fault diagnosis under heavy noise
The Hong Kong Polytechnic University（香港理工大学）；Harbin Institute of Technology（哈尔滨工业大学）；Beijing Jiaotong University（北京交通大学）
针对盲反卷积与深度学习分类器结合时学习目标冲突的问题，提出分类器引导的神经盲反卷积框架ClassBD，利用神经网络实现BD并设计物理先验损失函数进行联合优化，在三个数据集的强噪声条件下取得了优于现有方法的诊断效果。
2024-04-11 cs.LG eess.SP
FaultFace: Deep Convolutional Generative Adversarial Network (DCGAN) based Ball-Bearing Failure Detection Method
University of California, Merced（加州大学默塞德分校）；Beijing University of Chemical Technology（北京化工大学）
在工业中采用故障检测来提高系统性能并降低由于意外故障事件而导致的成本。因此，一个好的数据集的系统是理想的设计自动故障检测系统。然而，工业过程数据集是不平衡的，并且由于这些事件的唯一性以及仅仅为了获得关于不期望的行为的信息而运行系统的高成本而包含关于故障行为的信息很少。因此，对自动故障检测方法进行正确的训练和验证具有挑战性。本文提出了一种名为FaultFace的方法，用于使用深度学习技术创建平衡数据集来检测旋转轴的球轴承关节的故障。FaultFace方法使用通过时频变换技术获得的名为faceportraits的振动信号的2D表示。从获得的人脸画像中，使用深度卷积生成对抗网络来生成标称和故障行为的新人脸画像，以获得平衡的数据集。采用平衡数据集训练卷积神经网络进行故障检测。将FaultFace方法与其他深度学习技术进行比较，以评估其在不平衡数据集故障检测中的性能。实验结果表明，FaultFace方法对于不平衡数据集的故障检测具有良好的性能.
2020-07-30 cs.CV cs.LG eess.IV
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
Graph Neural Network-based Early Bearing Fault Detection
Xinjiang University（新疆大学）
故障的早期检测对于避免灾难性事故和确保机械安全运行具有重要意义。提出了一种基于图神经网络的故障检测方法，为人工智能与实际运行的机械系统之间架起了一座桥梁。首先，将作为欧几里德结构化数据的振动信号转换成图形（非欧几里德结构化数据），使得原本彼此独立的振动信号彼此相关。其次，将数据集连同其对应的图一起输入GNN进行训练，GNN包含网络各隐层的图，使图神经网络能够学习自身及其邻居的特征值，得到的早期特征具有更强的区分力。最后，确定在GNN输出层中难以重构的前n个对象为故障对象。利用公开的轴承数据集验证了该方法的有效性。我们发现，所提出的方法可以成功地检测出错误的对象，混合在正常的对象区域。
2022-04-24 cs.LG
Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM
Dibrugarh University（迪布鲁格尔大学）；DUIET（迪布鲁格尔工程与技术学院）
本文提出结合图注意力网络（GAT）与长短期记忆（LSTM）的新方法，通过捕捉传感器数据的时空依赖关系进行轴承故障检测，在CWRU数据集上各项指标达100%，显著优于传统方法。
2024-10-15 cs.LG cs.NE
Real Time Bearing Fault Diagnosis Based on Convolutional Neural Network and STM32 Microcontroller
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）
本文提出一种基于卷积神经网络的轴承故障诊断方法，准确率达98.9%，并将其部署到STM32H743VI微控制器上，实现19ms/次的实时诊断与串口通信显示。
2023-04-14 cs.LG cs.SY eess.SY
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
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
Does Your Model Think Like an Engineer? Explainable AI for Bearing Fault Detection with Deep Learning
Siemens AG（西门子股份公司）
本文针对滚动轴承故障检测任务，提出了一种特定领域的特征归因框架，通过结合信号处理工具评估模型逻辑与专家推理的一致性，验证了深度学习模型的可信度并预测其泛化能力，为增强可解释AI提供了通用模板。
2023-10-19 cs.AI cs.LG
Adversarial adaptive 1-D convolutional neural networks for bearing fault diagnosis under varying working condition
China University of Mining and Technology（中国矿业大学）；Xuzhou Medical University（徐州医科大学）
传统的滚动轴承智能故障诊断方法都是基于一个共同的假设，即带标签的训练数据（源域）和未带标签的测试数据（目标域）来自同一个分布。然而，在许多实际应用中，这一假设并不成立，特别是当工作条件变化时。在本文中，一个新的对抗自适应一维CNN称为A2 CNN提出来解决这个问题。A2CNN由源特征提取器、目标特征提取器、标签分类器和域分类器四部分组成。在训练阶段，源和目标特征提取器之间的层被部分解开，以兼顾训练效率和域适应性。实验表明，A2CNN具有较强的故障判别能力和领域不变性，因此在不同的工作条件下都能达到较高的准确率。我们还可视化了学习的特征和网络，以探索我们提出的模型高性能背后的原因。
2018-05-09 cs.LG cs.SD eess.AS
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
An Advanced Convolutional Neural Network for Bearing Fault Diagnosis under Limited Data
Nanjing University of Science and Technology（南京理工大学）；Tiangong University（天津大学）；Xidian University（西安电子科技大学）；Tianjin University（天津大学）；Victoria University（维多利亚大学）；La Trobe University（拉筹伯大学）
针对有限数据下轴承故障诊断中数据增强质量差和CNN难以提取全局特征的问题，提出DAC-FCF框架，结合CCLR-GAN生成多样数据、对比学习建模样本关系及1D-FCNN提取全局特征，在CWRU和自采数据集上分别提升32%和10%。
2025-09-14 cs.AI cs.CE cs.LG
