盲领域转移实现零样本电机健康监测
在此工作中，我们提出了一种基于 Transformer 的框架（FaultFormer），用于分析振动信号以预测不同类型的轴承故障。通过使用数据增强和提取傅里叶模态的方法，我们训练了一个 Transformer 编码器，以实现最先进的准确度，并分析了注意机制和模型输出，以确认 Transformer 自动提取信号特征和学习全局和局部关系以进行分类的能力。最后，我们提出了两种预训练策略，为大型可推广 Transformer 的开发铺平了道路，使其能够适应生产现场的新数据、情况或机械设备。
Dec, 2023
通过零样本学习方法，本文提出了一种新的故障检测和状态监测方法，可以在没有故障样本的情况下，对工业系统进行可靠的故障检测与健康状况评估。通过使用变分自编码器捕捉先前观察到和未知条件的概率分布，在隐空间比较每个样本与正常操作的参考分布的偏差，建立健康指数的阈值，能够高准确度地检测严重的未知故障，从而提升工业领域的故障检测能力，增强安全性和优化维护实践。
Apr, 2024
利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据，提出了一种新的机械故障诊断方法，通过少量标记样本和大量未标记数据的有效组合，实现了比现有方法更出色的性能。
Nov, 2023
该研究论文提出了一种高效的实时卷积神经网络（CNN）来诊断多个滚动轴承故障，针对不同噪声水平和时变转速的实际应用环境。并且，使用一种新颖的基于 Fisher 的频谱可分离性分析（SSA）方法，阐明了所设计 CNN 模型的有效性。实验证实了该模型在三个方面优于最先进方法：精度提高高达 15.8%，在各种信噪比下具有噪声鲁棒性，且实时处理速度是采集速度的五分之一。此外，通过所提供的 SSA 技术，我们揭示了该模型在应对实际挑战方面的有效性。
Nov, 2023
该研究提出了一种能够盲分离振动源的方法，不需要关于被监测设备或外部测量的任何信息。该方法使用扩张的卷积神经网络初步隔离齿轮信号，然后利用残差的平方对轴承故障信号进行估计。通过一种新颖的基于白化的去卷积方法（WBD）将传递函数的影响从两个源中移除。仿真和实验结果表明，该方法能够在没有额外信息的情况下及早检测到轴承故障。该研究考虑了局部和分布式轴承故障，并假设振动是在稳定的工作条件下记录的。
May, 2024
本研究开发了一种循环一致的 Wasserstein 深度卷积 GAN 模型来调查结构动态特征从未受损状态到受损状态的转变及其是否可用于预测性损伤检测，结果表明该模型能够准确地生成受损响应和未受损响应，从而实现在结构未受损的情况下理解受损状态的能力，这将有助于更为积极地监控生命周期表现并预测结构的剩余寿命。
Feb, 2022
基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法，通过编码滚动轴承的时间域信号并生成特征图，扩展训练样本集并提取故障特征，应用注意力机制进行特征加权和深度特征提取，通过 softmax 分类器完成故障诊断，具有更好的泛化性能和抗噪性能。
Mar, 2024
本文提出一种针对深度神经网络在训练和模型设计时提高其可靠性的解决方案，旨在解决硬件故障导致对模型预测出现错误等问题。在研究中通过 DNN 重新设计、重新训练等方式，提出三种零附加成本的解决方案，可以在一定程度上提高 DNNs 对于瞬态故障的可靠性，并通过广泛的消融研究量化了每种硬化组件的性能提升。
May, 2022
本文提出了一种改进的 Gram 角场方法 (GAF) 结合灰度图像的卷积神经网络方法，用于滚动轴承的异常检测，具有可行性和工业部署的潜力。
Apr, 2023