Supervised Transfer Learning Framework for Fault Diagnosis in Wind Turbines
Hochschule Karlsruhe - University of Applied Sciences(卡尔斯鲁厄应用技术大学)
本文提出了一种基于异常空间的监督迁移学习框架,用于风力涡轮机故障诊断,通过多层感知机实现了高准确度的跨领域故障检测。
2024-11-04 cs.LG eess.SP
XMDCA-TL: An Explainable Multi-Domain Channel Attention Transfer Learning Framework for Fault Diagnosis in Industrial Gas Turbines
K.N. Toosi University of Technology(K.N.托基理工大学);MAPNA Digital Co.(MAPNA数字公司)
提出XMDCA-TL框架,通过多域RGB表示、ConvNeXtV2编码器、MDCA机制和自监督混合掩码策略,结合迁移学习实现工业燃气轮机故障诊断,并利用可解释AI分析决策过程。
2026-06-23 eess.SP
Multi-resolution Dynamic Mode Decomposition for Damage Detection in Wind Turbine Gearboxes
我们介绍了一种基于多分辨率动态模式分解(mrDMD)的传感器数据分析的齿轮箱损伤检测方法。应用重点是在变化的负载条件下,特别是不规则和随机的风波动下,风力涡轮机齿轮箱的状态监测。我们分析数据源于一个简单的非线性齿轮箱模型在健康和损坏的情况下,在不同的风力条件下的模拟振动响应。通过将mrDMD应用于传感器数据的时延快照,我们可以提取这些振动信号中突出与损伤相关的特征的分量,并进行识别。通过与傅立叶分析、时间同步平均和经验模态分解的比较,说明了基于mrDMD的数据分析方法在损伤检测中的优势。
2022-03-22 eess.SP
Dictionary learning approach to monitoring of wind turbine drivetrain bearings
Luleå University of Technology(吕勒奥理工大学);SKF-LTU University Technology Center(SKF-吕勒奥理工大学技术中心)
由于风力发电场具有挑战性的运行条件、快速的技术发展和大量老化的风力涡轮机,状态监测是风力发电场高效运行的核心。特别是,预测性维护计划需要早期检测故障,误报很少。实现这种类型的检测是一个具有挑战性的问题,由于一些故障,特别是发生在一些传动系轴承的故障的复杂和弱的签名。在这里,我们研究了最近提出的基于无监督字典学习的状态监测方法,使用在典型工业操作下记录的超过46个月的振动数据。因此,我们贡献了新的测试结果和公开的真实世界数据。以前使用字典学习解决状态监测任务的研究结果表明,无监督特征学习对于诊断和异常检测是有用的。然而,这些研究是基于在受控条件下运行的测试装置的小组标记数据,这些数据集中在分类任务上,这对于定量方法比较很有用,但对这些方法在实践中的有用程度却知之甚少。在这项研究中,字典是从六个不同的涡轮机齿轮箱振动学习,字典随后传播了几年的监测数据时,故障发生。我们使用两种不同的稀疏编码算法进行实验,以研究所选择的算法是否会影响异常情况的特征。我们计算初始字典和传播字典之间的字典距离,并找到异常字典自适应的时间段,从传动系轴承更换前六个月开始,到变速箱更换前一年开始。
2019-08-19 cs.LG eess.SP stat.ML
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
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
CNN-DST: ensemble deep learning based on Dempster-Shafer theory for vibration-based fault recognition
Ghent University(根特大学)
目前,利用振动数据结合模式识别方法进行结构故障检测是最常用的方法之一。然而,它们的性能取决于从振动数据中提取的特征,选择训练分类器的特征,以及用于模式识别的分类器。深度学习通过自动化特征提取和选择以及分类过程来促进故障检测过程。然而,深度学习方法在设计其结构和调整其超参数方面存在挑战,这可能导致泛化能力较低。因此,本研究提出了一种基于卷积神经网络(CNN)和Dempster-Shafer理论(DST)的集成深度学习框架,称为CNN-DST。在该框架中,首先训练具有所提出的结构的多个CNN,然后,通过使用改进的基于DST的方法来组合由所提出的技术选择的CNN的输出。为了验证所提出的CNN-DST框架,它被施加到多晶镍合金第一级涡轮叶片的宽带振动响应与不同类型和严重程度的损伤的实验数据集。通过统计分析表明,提出的CNN-DST框架分类的涡轮叶片的平均预测精度为97.19%。提出的CNN-DST框架与其他最先进的分类方法进行了基准测试,证明了其高性能。建议CNN-DST框架相对于测量噪声的鲁棒性进行了研究,显示出其高抗噪性。此外,带宽分析表明,检测故障样本所需的大部分信息是在一个小的频率范围内。
2021-10-14 cs.AI cs.LG eess.SP
Identification of oil starvation in hydrodynamic journal bearing using rotor vibration and Extended Kalman Filter
油膜不足是流体动压轴承的一种严重故障,其原因是供油量不足。如果检测得太晚,这种故障会使轴承的性能恶化,并损坏旋转机器。因此,应采用早期故障识别技术,以避免这种情况,并允许有效的维护。然而,有关乏油故障识别的文献相对较新,非常缺乏。在为数不多的研究中,在早期阶段使用纯粹的确定性技术确定了缺油,这可能会受到模型不准确的影响。另外,本文提出了一种新的方法来识别油不足故障的液体动压轴承使用转子振动响应和扩展的卡尔曼滤波器(EKF),这是一个随机确定的状态估计器,可以处理建模和测量误差。本文中进行的计算模拟表明,所提出的方法是适合于成功地识别油不足故障的实时噪声振动响应,从而代表了一个很有前途的工具,用于监测旋转机械。
2021-07-01 eess.SP
Classification of Induction Motor Fault and Imbalance Based on Vibration Signal Using Single Antenna's Reactive Near Field
本文提出一种利用全向天线作为传感器测量时变S11信号的无创低成本方法,结合FFT分析与深度学习模型,实现了对感应电机轴承故障与不平衡的高精度分类,准确率达98.2%。
2025-10-31 eess.SP
Identification of fault frequency variation in the envelope spectrum in the vibration-based local damage detection in possible changing load/speed conditions
本文提出一种基于包络谱峰值检测和统计检验的自动统计方法,用于评估振动信号中故障频率是否恒定,以解决局部损伤诊断中因转速波动等因素导致的频率估计难题。
2024-09-25 eess.SP
Simulating Torsional Vibrations of Faulty Bevel Gears Using the Polygonal Contact Method
VTT Technical Research Centre of Finland Ltd.(芬兰国家技术研究中心);Aalto University(阿尔托大学)
提出基于多边形接触方法的多体仿真,模拟实验方位推进器试验台的扭转振动,能够处理任意故障几何形状,仿真信号在时域和频域与测量结果高度一致。
2026-06-12 eess.SP
An ensemble of convolution-based methods for fault detection using vibration signals
Hitachi America Ltd., R&D(日立美国有限公司研发部)
针对行星齿轮箱振动信号多变量时间序列故障检测问题,提出由三种卷积核方法构成的集成模型,准确率超98.8%,性能优于现有方法。
2023-05-05 cs.AI cs.LG eess.SP
An Improved Fault Diagnosis Strategy for Induction Motors Using Weighted Probability Ensemble Deep Learning
本文提出加权概率集成深度学习(WPEDL)方法,利用STFT提取的振动和电流特征诊断感应电机故障,在多类故障和5.2万张图像合并数据集上分别达到99.60%和98.89%的高准确率,优于传统深度学习模型。
2024-12-24 cs.CV eess.SP
CWT-Enhanced Vibration Sensing With Time-Frequency Region Localization Using YOLO
Research Center for Information Technology Innovation (CITI), Academia Sinica (AS)(信息科技创新研究中心(CITI),中国科学院)
本文提出一种增强连续小波变换的振动传感框架,通过时间频谱图的空间定位实现滚动轴承故障监测,利用YOLOv9、YOLOv10和YOLOv11定位和识别故障相关能量区域,实验表明该框架在非稳态环境中提升了故障检测能力和鲁棒性。
2026-07-02 cs.AI cs.CV cs.LG
A Data-Driven Vibration Analysis Framework for Micro-Motor Fault Diagnosis and Quality Control
Zhejiang University(浙江大学);Ningbo Seago Intelligent Automation Co., Ltd.(宁波科森智能科技有限公司)
本研究针对电动牙刷微电机故障诊断与质量控制需求,设计振动信号采集装置,结合RF特征选择与SVM分类模型,实现微电机故障的精准高效检测,多项性能指标优异。
2026-07-30 eess.SP
Blind Separation of Vibration Sources using Deep Learning and Deconvolution
RSL Electronics LTD(RSL电子有限公司)
针对齿轮振动掩盖低能量轴承故障信号的问题,提出结合 dilated CNN、残差平方对数包络与 WBD 的两阶段盲分离方法,可在无设备先验信息时早期检测局部及分布式轴承故障。
2024-05-21 cs.AI cs.LG eess.AS
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 Vision Transformer-Based Approach to Bearing Fault Classification via Vibration Signals
Aligarh Muslim University(阿里格尔穆斯林大学);Okayama University(冈山大学)
滚动轴承是旋转机械中最关键的部件。及时识别有缺陷的轴承可以防止整个机械系统的故障。随着机械零件的快速发展,机械状态监测领域已经进入大数据阶段。当处理大量数据时,手动特征提取方法具有效率低且不准确的缺点。近年来,数据驱动方法(如深度学习方法)已成功用于机械智能故障检测。卷积神经网络(CNN)在早期的研究中主要用于检测和识别轴承故障。然而,CNN模型具有难以管理故障时间信息的缺点,这导致缺乏分类结果。在本研究中,使用最先进的视觉Transformer(ViT)对关节面缺陷进行分类。轴承缺陷进行了分类使用凯斯西储大学(CWRU)轴承故障实验室的实验数据。该研究考虑了13种不同类型的缺陷下0负载的情况下,除了正常的轴承条件。利用短时傅立叶变换将振动信号转换为二维时频图像。2D时频图像被用作ViT的输入参数。该模型实现了98.8%的总体准确度。
2022-09-20 cs.CV eess.SP
Severity Classification of Rotor Inter-Turn Short Circuits Using Eddy-Current Vibration Signals
Faculty of Electrical Engineering University of West Bohemia(西波希米亚大学电气工程学院)
提出基于振动的诊断框架,通过集成涡流位移传感器和特征提取对转子匝间短路多类严重程度分类,设计混合特征集,用XGBoost分类器实现高准确率诊断。
2026-07-07 eess.SP
FaultGPT: Industrial Fault Diagnosis Question Answering System by Vision Language Models
针对单模态故障诊断方法难以利用多模态数据的问题,提出FaultGPT模型,通过构建FDQA指令数据集、设计多尺度跨模态图像解码器,在不增加LVLM参数的前提下实现端到端故障诊断问答,经多场景实验验证性能与适配性优异。
2025-02-21 cs.ET eess.SP
A Hybrid Method for Condition Monitoring and Fault Diagnosis of Rolling Bearings With Low System Delay
基于振动的状态监测技术通常用于检测和诊断滚动轴承的故障。检测和诊断不同类型故障的准确性和延迟是状态监测的主要性能指标。以低延迟实现高精度可提高系统可靠性并防止灾难性设备故障。此外,延迟对于远程状态监控和时间敏感的工业应用至关重要。虽然大多数建议的方法侧重于准确性,轻微的注意已经支付给解决状态监测过程中引入的延迟。在本文中,我们试图弥合这一差距,并提出了一种混合的方法,基于振动的状态监测和故障诊断的滚动轴承,优于以前的方法在精度和延迟。针对基于振动的状态监测系统中存在的总时滞问题,引入系统时滞的概念对其进行评估,提出了状态监测的方法。它采用小波包变换(WPT)和傅立叶分析,振动信号的短期输入段分解成基本波形,并获得其频谱内容。因此,利用由缺陷引起的瞬态振动引起的光谱分量中的能量集中来提取少量具有高区分能力的特征。因此,贝叶斯优化为基础的随机森林(RF)算法被用来分类健康和故障的运行条件下,不同的电机速度。实验结果表明,该方法能够在较低的系统延迟下获得较高的定位精度.
2022-08-11 eess.SP
Fault Detection in Ball Bearings
球轴承关节是旋转机械中的关键部件,检测和定位这些关节的故障是工业和研究中的重要问题。智能故障检测(IFD)是应用机器学习和其他统计方法来监控机器健康状态的过程。本文探讨了振动图像的建设,一种预处理技术,已被用于训练卷积神经网络的球轴承关节IFD。主要结果证明了这种技术的鲁棒性,通过将其应用于比以前使用的更大的数据集,并探索用于构建振动图像的超参数。
2022-09-19 cs.LG eess.SP
Hidden Markov Model-Based Remaining Useful Life Estimation of Rolling Bearings Using Vibration Signals: A feasibility study
University of Patras(帕特雷大学)
本研究提出一种基于隐马尔可夫模型的滚动轴承剩余使用寿命估计方法,利用振动信号,通过AR滤波、包络分析和PCA构建退化指标,并采用HMM建模故障演变,在训练与目标数据差异显著时仍能提供保守的RUL估计。
2026-09-24 eess.SP
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
Lab-scale Vibration Analysis Dataset and Baseline Methods for Machinery Fault Diagnosis with Machine Learning
Sepuluh Nopember Institute of Technology(印度尼西亚 Sepuluh Nopember 理工学院);National Institute of Advanced Industrial Science and Technology(日本国立先进工业科学技术研究院)
本文提出了一个实验室级机械振动信号数据集,包含正常、不平衡、不对中和轴承故障四种状态,并使用SVM、KNN和GNB三种机器学习方法进行基线评估,其中SVM在5折交叉验证中取得了99.75%的加权准确率。
2022-12-27 cs.LG cs.SY eess.SP
Bearing Fault Diagnosis using Graph Sampling and Aggregation Network
Xinjiang University(新疆大学);Incheon National University(仁川国立大学)
针对传统轴承故障诊断方法未考虑信号间复杂关联导致精度受限的问题,提出基于GraphSAGE的GSABFD算法,通过图建模振动信号关联实现故障诊断,在公开数据集上AUC较次优算法提升5%。
2024-08-12 cs.AI cs.LG eess.SP
Fusing Spectral Correlation Density Imaging with Deep Learning for Intelligent Fault Diagnosis in Rotating Machinery
Department of Electrical and Information Engineering(电气与信息工程系);Department of Mechanical and Manufacturing Engineering(机械与制造工程系);Faculty of Engineering, University of Ruhuna(鲁胡纳大学工程学院)
本文提出将谱相关密度图像与深度学习相结合,利用三种CNN模型对旋转机械轴承故障进行智能诊断,在两种轴承座和多种负载条件下实现高准确率分类,验证了面向边缘智能的鲁棒且经济高效的状态监测方案。
2025-09-20 cs.CV eess.SP
In-Situ Fault Detection of Submerged Pump Impellers Using Encapsulated Accelerometers and Machine Learning
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Saudi Arabian Oil Company (Saudi Aramco)(沙特阿拉伯石油公司(沙特阿美));Massachusetts Institute of Technology(麻省理工学院)
本文首次将封装加速度计直接安装在潜没泵叶轮上实现原位振动监测,结合机器学习模型在油浸环境中达到91.3%准确率和0.973 AUC-ROC,证明封装不损失诊断性能,可更早检测井下泵故障并优化维护。
2025-09-19 eess.SP
Integrating Expert Knowledge with Domain Adaptation for Unsupervised Fault Diagnosis
数据驱动的故障诊断方法通常需要为每种故障类型提供大量的标记示例。相反,真实世界的数据通常是未标记的,并且由大多数健康的观察结果和只有少数故障条件的样本组成。标签和故障样本的缺乏对现有的数据驱动的故障诊断方法提出了重大挑战。在本文中,我们的目标是克服这一限制,将专家知识与域适应在一个合成到真实的框架无监督故障诊断。由于领域专家通常对不同故障类型如何影响健康信号有相对较好的理解,因此在所提出的框架的第一步中,通过增强健康轴承的真实振动样本来生成合成故障数据集。该合成数据集集成了专家知识并编码了有关故障类型的类信息。然而,仅仅基于合成数据训练的模型往往不能很好地执行,因为合成生成的故障和真实故障之间的明显分布差异。为了克服合成数据和真实数据之间的域差距,在该框架的第二步中,提出了一种不平衡鲁棒域自适应方法,用于将模型从合成故障源调整到遭受严重类不平衡的未标记真实故障目标。两个无监督的轴承故障诊断案例,CWRU实验室数据集和真实世界的风力涡轮机数据集的框架进行评估。实验结果表明,生成的故障是有效的编码故障类型信息和域自适应是强大的,对不同程度的类之间的故障不平衡。
2021-11-18 eess.SP
HUST bearing: a practical dataset for ball bearing fault diagnosis
本文发布 HUST bearing 球轴承故障诊断数据集,并通过包络、阶次跟踪、经典机器学习和无监督迁移学习方法验证其可用性。
2023-10-02 cs.AI cs.LG eess.SP
Time Series Diffusion Method: A Denoising Diffusion Probabilistic Model for Vibration Signal Generation
Harbin Institute of Technology(哈尔滨工业大学);Menoufia University(梅努菲亚大学);Lodz University of Technology(罗兹技术大学);Galala University(加拉拉大学);Shenyang Blower Works Group Corporation(沈阳鼓风机集团股份有限公司)
本文提出时间序列扩散方法TSDM,通过改进U-net结合注意力模块与残差模块生成高质量振动信号,并在三个轴承故障数据集的小样本诊断中显著提升准确率。
2024-06-30 cs.LG cs.SD eess.SP
Domain knowledge-informed Synthetic fault sample generation with Health Data Map for cross-domain Planetary Gearbox Fault Diagnosis
EPFL(洛桑联邦理工学院)
针对目标域仅有健康数据的极端域偏移挑战,本文提出scaled CutPaste和FaultPaste两种基于健康数据图(HDMap)的领域知识驱动数据合成方法,通过引入源域故障特征缩放生成不同严重程度的故障样本,实现了跨域行星齿轮箱故障的准确诊断与严重程度估计。
2023-11-27 cs.AI cs.CY cs.LG
LLM-based Framework for Bearing Fault Diagnosis
提出基于大语言模型的轴承故障诊断框架,通过振动特征文本化与LoRA/QLoRA微调,实现跨工况、小样本和跨数据集三类泛化任务,跨数据集准确率提升约10%。
2024-11-05 eess.SP
A New Architecture for Energy Efficient Fault Detection Using Energy Harvesters
本文提出利用压电能量采集器和积分器直接生成故障检测特征的新架构,避免高频采样带来的ADC和无线传输高能耗,在球轴承故障检测中仅以0.33Hz采样即达到89%准确率,采样需求降低4个数量级。
2024-02-21 eess.SP
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
Correcting Domain Shifts in Electric Motor Vibration Data for Unseen Operating Conditions
本文针对电动机振动数据在未知运行条件下的域偏移问题,提出结合谐波特征空间(HFS)与回归的方法校正频率和能量差异,在BSG电动机实验中实现94%检测率,计算高效且仅需健康数据训练。
2025-04-14 eess.SP
An improved bearing fault detection strategy based on artificial bee colony algorithm
轴承的运行状态直接影响着旋转机械的性能,如何准确、果断地从原始振动信号中提取特征,尽早识别出故障部件是非常关键的。本文介绍了一维三元模型,并提出了一种基于Shaper-Tree变换的一维三元模型参数计算方法,该参数也就是通常通过试差法选择的变换后的Shaplet的标准差。利用XGBoost算法对故障进行识别,并提出了一种改进的人工蜂群算法(ABC),该算法以不同搜索空间的重要性指标为指导进行进化,以优化XGBoost算法的参数。该方法将重要性指标的值与最优解在一定空间内的概率相联系,避免了传统ABC方法容易陷入局部最优的问题,基于故障振动信号样本的实验结果表明,该方法对故障信号的平均识别率可达97%,远高于其他提取策略的识别率。从而提高了萃取能力。采用改进的人工蜂群算法对XGBoost的参数进行优化,与传统的分类策略相比,分类准确率从97.02%提高到98.60%左右
2021-12-02 eess.SP
Advancing Industry 4.0: Multimodal Sensor Fusion for AI-Based Fault Detection in 3D Printing
Florida A&M University(佛罗里达农工大学)
本研究提出了一种低成本、便携的多模态传感器融合AI系统,用于实时监测FDM 3D打印过程中的故障,提升制造可靠性和可持续性。
2026-08-12 eess.SP
A Harmonic-Regression ARMA model for rotating machinery dynamics identification and fault detection under varying conditions
University of Patras(帕特雷大学)
提出谐波回归ARMA模型,结合显式谐波与ARMA部分,在多模型框架下实现变工况旋转机械故障检测,实验达到98%真阳性率。
2026-09-24 eess.SP
Generalised envelope spectrum-based signal-to-noise objectives: Formulation, optimisation and application for gear fault detection under time-varying speed conditions
University of Pretoria(比勒陀利亚大学);KU Leuven(鲁汶大学);Flanders Make Belgium(佛兰德斯制造比利时机构)
本文提出广义包络谱信噪比目标,通过直接最大化目标频带的平方包络谱信噪比来设计最优滤波器,在时变转速条件下提升齿轮故障检测性能,并在三个实验数据集上优于五种主流方法。
2024-05-06 cs.LG eess.SP stat.ME
A Multimodal Lightweight Approach to Fault Diagnosis of Induction Motors in High-Dimensional Dataset
GIFT University(GIFT大学)
针对现有感应电机断条故障诊断模型在小数据集上易过拟合的问题,提出基于迁移学习的轻量级ShuffleNetV2模型,利用STFT频谱图像在57,500张图像上实现98.856%的准确率,兼顾高效与精度。
2025-10-17 cs.LG cs.SY eess.SP