Robust-MBFD: 基于多种深度学习训练策略和一种新颖的双损失函数的鲁棒性电动机轴承故障检测深度学习系统

Oct, 2023

Robust-MBFD: 基于多种深度学习训练策略和一种新颖的双损失函数的鲁棒性电动机轴承故障检测深度学习系统

Robust-MBFD: A Robust Deep Learning System for Motor Bearing Faults Detection Using Multiple Deep Learning Training Strategies and A Novel Double Loss Function

PDF

Khoa Tran, Lam Pham, Hai-Canh Vu

TL;DR通过对各种基于机器学习和深度学习的系统进行评估和比较，本研究证明了深度学习系统在电动机轴承故障检测任务中的优越性，并提出了一种鲁棒且通用的深度学习系统及其创新损失函数，通过在多个基准数据集上的实验验证了其在实际应用中的潜力。

Abstract

This paper presents a comprehensive analysis of motor bearing fault detection (MBFD), which involves the task of identifying faults in a motor bearing based on its vibration. To this end, we first propose and eva

motor bearing fault detection vibration machine learning deep learning benchmark datasets

发现论文，激发创造

基于数据驱动的机械故障检测：综述

本文综述了使用不同类型的机器学习方法检测和诊断各种类型的机械故障的文章，突出了其优势和限制，回顾了用于基于条件的分析的方法，全面讨论了现有的机械故障数据集，并介绍了未来研究人员在使用这些方法进行 MFD 时可能遇到的挑战，并推荐可能的解决方案，同时指出了未来的研究前景，以促进该领域的进一步发展。

May, 2024

鲁棒 - MBDL: 旋转机器剩余使用寿命预测和运行状态识别的鲁棒多分支深度学习模型

提出了一种用于旋转机器的剩余有用寿命预测和工况操作识别的鲁棒的多支路深度学习系统，该系统由 LSTM-Autoencoder、特征提取和多支路深度学习网络构成，实验证明该系统在轴承机器的实际应用中表现优于现有系统。

Sep, 2023

基于分类器导向的神经盲反卷积：面向高噪声条件下轴承故障诊断的物理知识驱动去噪模块

该论文介绍了一种名为分类器引导下的盲解卷积 (ClassBD) 的方法，用于联合学习基于盲解卷积的特征提取和基于深度学习的故障分类。实验证明在噪声条件下，ClassBD 优于其他先进方法。

Apr, 2024

电机故障诊断的主动基础模型

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

轴承故障分类方法的深入研究

滚动轴承故障诊断是近年来备受关注的课题，该研究探讨了振动数据在故障分类模型开发中的重要性，并提出了真实场景中的模型开发考虑因素。

Sep, 2023

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

DKDL-Net：一种基于解耦知识蒸馏和低秩适应微调的轻量级轴承故障检测模型

提出了一种轻量级的滚动轴承故障诊断模型 DKDL-Net，通过解耦知识蒸馏和低秩自适应微调，在 CWRU 数据集上进行训练，实验证明在保持模型性能的同时，DKDL-Net 在计算复杂度上实现了 99.48% 的准确率，比现有技术模型高出 0.58%，且参数更少。

Jun, 2024

一种可解释的深度学习方法用于轴承故障诊断

利用卷积神经网络和 Grad-CAM 激活图可视化技术，提出一种对轴承故障进行分类的可解释型深度学习方法，通过识别训练样本的特征重要性形成了一个诊断知识库，在模型评估过程中根据特征重要性的相似性检索预测基础样本，实验结果表明该方法能够选择直观且具有物理意义的预测基础样本，提高模型对人类用户的可靠性。

Aug, 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

旋转机械多任务故障诊断的个性化联邦学习

本研究提出一种个性化联邦学习框架，使用联邦聚类方法将具有相似振动特征数据的不同工厂旋转机器进行分类，并通过多任务深度学习模型进行异构信息融合进行多任务故障诊断，最终采用自适应分级汇聚策略解决不同机器之间的数据异构性问题。案例研究验证了所提出的框架的有效性，特别对于那些故障样本匮乏的机器，使用所提出的个性化联邦学习可以显著提高诊断精度。

Nov, 2022