基于深度学习的机器状态诊断通过短时傅里叶变换变体
内容提要
本文综述了深度学习模型在机械故障检测中的应用，重点介绍了零样本技术、自监督学习和基于Transformer的框架。研究表明，基于声音的故障检测方法比振动方法更稳健且具成本效益。通过新基准数据集和创新算法，提升了故障诊断的准确性，为工业应用提供了有效解决方案。
延伸解读
从振动到声音：故障检测的范式转变
文章指出，基于振动的故障检测虽为传统主流，但存在传感器位置依赖性强、成本较高等局限。新基准数据集QU-DMBF的提出，首次系统比较了声音与振动信号在故障检测中的表现，结果显示声音方法不仅更稳健，且不依赖传感器位置，具有成本效益，并能达到与振动方法相当的最佳性能。这为工业预测性维护提供了新的技术路径。
零样本与自监督学习：缓解数据标注瓶颈
针对工业场景中故障数据稀缺、标注成本高的问题，文章介绍了零样本技术和自监督学习。零样本方法利用生成对抗网络，在不同工况下对多种轴承故障实现了89%至95%的平均召回率；自监督模型通过微调，在跨机器故障诊断中分类准确度超过90%。这些技术降低了对大量标注数据的依赖，提升了模型在现实场景中的泛化能力。
Transformer与开源框架：推动诊断模型标准化
文章强调了Transformer在振动信号分析中的潜力，FaultFormer框架通过数据增强和傅里叶模态提取，实现了最先进的准确度，并验证了其自动提取特征和捕捉全局与局部关系的能力。同时，开源统一代码框架的发布，为公平、快速地比较不同模型提供了基础，有助于推动该领域研究的可复现性和标准化进程。
Q&A
深度学习在机械故障检测中的应用有哪些？
深度学习在机械故障检测中应用了零样本技术、自监督学习和基于Transformer的框架，提升了故障诊断的准确性。
什么是零样本技术，它在故障检测中如何应用？
零样本技术利用生成对抗网络检测不同类型的轴承故障，平均召回率达到89%至95%。
基于声音的故障检测方法与基于振动的方法相比有什么优势？
基于声音的故障检测方法比振动方法更稳健且具成本效益，且不依赖传感器位置。
FaultFormer框架的主要功能是什么？
FaultFormer框架用于分析振动信号并预测轴承故障，展示了Transformer在特征提取和分类中的能力。
如何提高电动机故障诊断的准确性？
通过自监督学习的神经网络模型，微调模型在不同故障情景下实现超过90%的分类准确度。
小波变换在电机故障诊断中的作用是什么？
小波变换将电机相电流信号转换为时频二维表示，显著提高了故障诊断的准确性，达到93.73%。
