利用声音和振动信号的转移学习方法来解决实际运行场景中训练数据与真实数据之间的分布差异，并通过预训练和微调的骨干结构与基于深度神经网络的分类器相结合，取得了较好的故障诊断性能。

Oct, 2023

本文为 ICPHM 2023 数据挑战赛关于利用振动分析进行工业系统健康监测的研究贡献，并提出了一种基于残差卷积神经网络方法的二级行星轮故障分类模型，经过数据增强和正则化技术的运用，该模型在多种不同数据条件下都表现出很好的性能。

Apr, 2023

利用时间频率分析和深度学习技术，本文提出了一种诊断滚动轴承故障的方法，在时间变化的速度和不同噪声水平下取得了显著的准确率提升，解决了现有方法在这些条件下应用受限的问题。

Jan, 2024

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

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

提出了一种基于多尺度核的自适应卷积神经网络（MSKACNN）的数据驱动诊断算法，使用原始轴承振动信号作为输入，提供了振动特征学习和信号分类能力，以识别和分析轴承故障，特别是针对球混合等难以用传统方法检测的故障。结果显示，MSKACNN 能够高效准确地诊断轴承不同工况，具有良好的适应性和通用性，为实时的轴承故障诊断系统提供了轻量级的模块实现。

Mar, 2022

传统的卷积神经网络（CNN）在捕捉时间特征（即振动信号随时间的变化）方面存在局限性，为解决这个问题，本文引入了一种新颖的模型，即时间序列视觉变换器 (TSViT)，专门用于故障诊断。TSViT 模型一方面通过集成卷积层对振动信号进行分段并捕捉局部特征，另一方面采用变压器编码器来学习长时间序列的信息。在两个不同数据集上与其他方法进行的实验结果验证了 TSViT 的有效性和通用性，并对其超参数对模型性能、计算复杂度和整体参数数量的影响进行了比较分析。TSViT 在两个测试集上分别达到了 100% 和 99.99% 的平均准确率。

Nov, 2023

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

介绍了一种简单的线性分类器，它利用随机卷积核，相对于现有方法具有极少的计算负担，可用于时序数据分类，并在准确性上达到了最先进的水平。

Oct, 2019

用振动信号进行故障检测已成为各行业预测性维护的最终目标。本研究通过提供包含声音和振动数据的新基准 Quatar 大学双机轴承故障基准数据集 (QU-DMBF)，揭示了振动信号故障检测的局限性，并提出了第一种基于声音的故障检测深度学习方法并与振动进行了比较评估。实验结果表明，基于声音的故障检测方法比基于振动的方法更加稳健，并且完全不依赖传感器位置、具有成本效益，能够达到与基于振动的方法相同水平的最佳检测性能。

Dec, 2023