May, 2023

基于领域知识的健康数据映射合成故障样本生成方法，用于跨领域星行星齿轮箱故障诊断

PDF
TL;DR本文提出两种基于 HDMap 的数据合成方法（CutPaste 和 FaultPaste）来解决深度学习方法中存在的领域偏移问题，通过从源域提取的领域知识和故障特征合成目标域中的故障数据，实现了对各种严重程度故障的放缩合成，从而实现了对极端领域偏移情况下的行星齿轮箱故障诊断和故障严重程度评估。
发现论文，激发创造
  • 面对高度缺失数据的基于物理信息的深度学习和部分迁移学习的轴承故障诊断

    通过 PTPAI 方法生成合成标记数据，采用基于物理的深度学习技术，解决了轴承故障诊断中标记数据和缺失数据不足的问题，并通过 RF-Mixup 方法处理不平衡类别问题、MK-MMSD 和 CDAN 方法进行域适应，以及应用加权方法解决部分设置故障诊断难题。实验证明，该方法有效解决了这些问题。

    Jun, 2024

  • 盲领域转移实现零样本电机健康监测

    本研究提出了一种零样本技术，使用一维操作生成对抗网络来进行故障检测，该方法在不同的工作条件下检测到了不同类型、严重程度和位置的轴承故障，并获得了约 89% 和 95% 的平均召回率。

    Dec, 2022

  • 利用知识空间共享解决领域漂移以推广零样本工业故障诊断

    本文章提出了一种基于知识空间共享的模型，来解决广义零样本工业故障诊断任务中的领域转移问题，该模型通过生成机制和判别机制相结合，产生了一些新的数据用于训练，最终在 benchmark Tennessee-Eastman 进程上，该方法在广义零样本工业故障诊断问题上的表现超过了现有的其他方法。

    Jun, 2023

  • CycleGAN 用于结构健康监测和损伤检测中的未损坏到损坏域转换

    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

  • 可解释人工智能在故障诊断中的应用：基于迁移学习和增强合成数据的旋转机械故障诊断方法

    该研究提出了一种新的 FaultD-XAI 方法，即将数据从合成数据转移到现实旋转机械领域中，使用可解释的人工智能（AI）方法诊断机器故障，以解决 AI 模型的可解释性和训练数据标注困难等问题。实验结果表明，该方法在将数据移植到不同领域方面表现出很好的性能，因此有望成为一种可行的 Fault diagnosis 方法。

    Oct, 2022

  • 基于声音和振动信号的旋转机械故障诊断的新型迁移学习方法

    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

  • 齿轮箱故障诊断综合方法

    该研究论文介绍了一种整合的齿轮箱故障诊断方法，能够方便地部署在在线条件监测中，通过引入一种非参数的数据预处理技术即微积分增强能量算子（CEEO）来保留嘈杂和推断振动信号中的特征频率，从原始和 CEEO 振动信号计算一组时域和频谱域特征，并输入到多类支持向量机（MCSVM）中诊断系统故障，通过对比原始信号和 CEEO 信号的效果来展示 CEEO 在齿轮箱故障诊断中的影响。该研究取得的结果看起来非常有希望，并且可以在任何类型的工业系统中实施，因为它具有非参数性质。

    Aug, 2023

  • 用于无损超声测试缺陷分类领域适应性的 GAN 及替代合成噪声生成方法

    本文提出了四种唯一的数据生成方法解决了在复合材料组件的无损超声波检测过程中由于训练数据数量不足而导致的挑战，使用卷积神经网络进行训练，并在新的合成数据集上进行训练，取得了较好的实验数据分类效果。

    Jun, 2023

  • FaultFormer：基于 Transformer 的轴承故障预测

    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

  • SynthMix：医学跨模态域自适应中对齐合成混合

    本文提出 SynthMix，它是一种扩展模块和自然的训练策略，可以通过混合真实和合成图像的方式促进生成细粒度特征的生成，对医学图像进行分割任务时表现良好。

    May, 2023