使用机器学习和信号处理来检测和识别感应电动机故障是工业 4.0 背景下避免生产中断和停机的一种有价值的方法。本研究运用 MATLAB Simulink 进行感应电动机故障的检测和识别研究，开发了一个三相感应电动机模型，收集了正常和故障电机数据。我们应用快速傅里叶变换 (FFT) 检测健康和不健康状态，并使用决策树算法进行模型训练，最终得到约 92% 的准确率。这项研究为工业应用提供了具有价值的故障检测和分类方法。

Jan, 2024

该研究通过使用物联网设备和机器学习算法对工业机械进行异常检测，对该领域进行了系统映射研究，提供了全面的研究综述，并鉴别了常用的算法、预处理技术和传感器类型，同时也指出了未来的挑战和研究机会。

Jul, 2023

在当今技术驱动的时代，预防性维护和高级诊断的必要性不仅限于航空领域，还包括对旋转和移动机器中损坏、故障和操作缺陷的识别。实施这些服务不仅可以降低维护成本，还可以延长机器的使用寿命，确保更高的运营效率。此外，它还可以预防潜在事故或灾难事件。人工智能的出现已经在各个行业中彻底改变了维护工作方式，实现了对机器故障的更准确、更高效的预测和分析，从而节约时间和资源。我们提出的研究旨在深入研究各种机器学习分类技术，包括支持向量机（SVM）、随机森林、逻辑回归和基于卷积神经网络 LSTM 的方法，用于预测和分析机器性能。SVM 根据数据在多维空间中的位置将其分类到不同类别，而随机森林采用集成学习来创建多个决策树进行分类。逻辑回归使用输入数据来预测二元结果的概率。本研究的主要目标是评估这些算法在预测和分析机器性能方面的性能，考虑准确性、精确度、召回率和 F1 分数等因素。研究结果将帮助维护专家选择最适合的机器学习算法来有效预测和分析机器性能。

Mar, 2024

本研究分析了制造测试台的四个传感器数据集，评估了若干传统和基于机器学习的时间序列预测模型的性能，并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类，因此为实现预测维护铺平了道路。

Jun, 2022

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

通过评估现有的预测性维护方法并提出创新性框架，本研究介绍一种基于人工智能和工业互联网的智能化维护框架，包括概率可靠性建模和深度学习等最新机器学习算法，并利用涡轮风扇引擎退化数据集验证了新颖的概率深度学习可靠性建模方法。

Sep, 2020

提出了一种基于自监督学习的神经网络模型来解决电动机故障诊断的问题，通过微调模型在不同故障情景、不同机器之间实现了超过 90％的分类准确度，具有广泛的潜力应用于现实世界中的跨机器故障诊断任务。

Jul, 2023

快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用，通过与现有基准方法进行对比，验证了其普适性和稳健性。

May, 2024

在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。

Jan, 2024

该论文介绍了一种将传统的电机电流签名分析策略与功能主成分分析和功能扩散映射相结合的方法，用于检测和分类感应电动机中的故障情况。结果表明，该方案具有潜在的应用价值。

Jun, 2023