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

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

本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

Sep, 2020

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

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

通过物联网设备获取工业设备退化现象的数据，并设计数据驱动模型进行异常检测，为建立预测性维护策略提供初步步骤。在研究中，通过组合低计算成本的预处理技术和机器学习模型，展示了一个用于泵、压缩机、风扇和其他工业机器中感应电机的异常检测系统。利用快速傅里叶变换 (FFT)、小波变换 (WT) 和分箱等预处理技术从原始数据中提取特征，通过多目标优化和分析选择表现最佳的模型，并验证了终端到终端的解决方案。

Oct, 2023

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

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

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