基于 Transformer 和统计特征嵌入的制造传感器数据预测模型
内容提要
本文提出了一种基于Transformer的框架（FaultFormer），用于分析振动信号以预测轴承故障。通过数据增强和傅里叶模态提取，训练了Transformer编码器，提升了预测准确度。此外，研究还提出了预训练策略，以适应新数据和设备。
延伸解读
Transformer在工业故障预测中的创新应用
FaultFormer将Transformer架构引入轴承故障预测，通过分析振动信号实现分类。与传统的信号处理方法相比，Transformer能自动提取特征并捕捉全局与局部关系，这减少了对手工特征工程的依赖。文章通过注意力机制分析验证了模型的可解释性，表明其学习到的特征与故障模式相关，为工业设备健康管理提供了新思路。
数据增强与傅里叶模态提取的作用
针对工业传感器数据常面临样本不足和噪声干扰的问题，FaultFormer采用数据增强和傅里叶模态提取来提升模型鲁棒性。傅里叶模态提取有助于从振动信号中分离出关键频率成分，而数据增强则扩充了训练集，使Transformer编码器能在有限数据下达到先进准确度。这些预处理步骤是模型成功的关键。
预训练策略提升跨设备泛化能力
文章提出了两种预训练策略，旨在使Transformer适应新数据、新情况或新机械设备。这解决了工业场景中设备多样性和数据分布变化带来的挑战。通过预训练，模型可以学习到通用的信号表示，从而在少量新数据上快速微调，为开发大型可推广的Transformer模型铺平了道路，有望降低现场部署成本。
Q&A
FaultFormer框架的主要功能是什么？
FaultFormer框架用于分析振动信号，以预测不同类型的轴承故障。
如何提高FaultFormer的预测准确度？
通过数据增强和傅里叶模态提取，训练Transformer编码器来提升预测准确度。
FaultFormer的预训练策略有什么作用？
预训练策略使Transformer能够适应新数据和设备，提升其在生产现场的应用能力。
Transformer在FaultFormer中如何自动提取信号特征？
Transformer通过分析注意机制和模型输出，自动提取信号特征并学习全局和局部关系。
FaultFormer与其他模型相比的优势是什么？
FaultFormer在预测准确度上优于其他13种当前最先进模型，平均提升了137.65%。
FaultFormer的应用场景有哪些？
FaultFormer主要应用于轴承故障预测和振动信号分析。
