研究基于数据再生的多维信息融合机械磨损故障诊断算法
Qifan Zhou1, Bosong Chai2, Kunwen Ran1
1School of Power and Energy, Northwestern Polytechnical University, Xi'an 710129, China.
Sensors (Basel, Switzerland)
|June 27, 2025
概括
这项研究引入了一种结合扩散模型和测试时间训练 (TTT) 的新方法,以改善机械磨损故障诊断. 该方法在识别六种类型的航空发动机磨损故障方面达到95%以上的准确性,克服了数据限制.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 数据分布特征有限,阻碍机器学习用于机械磨损故障诊断.
- 先进的深度学习模型在实验室环境中面临着小数据集的挑战.
研究的目的:
- 使用有限的数据开发一种强大的方法来诊断和定位机械磨损故障.
- 为了提高航空发动机组件故障诊断的准确性.
主要方法:
- 使用了扩散模型和测试时间训练 (TTT) 的组合.
- 采用预先训练的解码器来将数据再生为连续的潜在表示.
- 实现了在测试期间进行同步训练的自主监督损失的TTT,利用转移学习.
主要成果:
- 对于六种典型的航空发动机机械磨损故障类型,实现了超过95%的诊断准确性.
- 成功构建了特征参数和机械磨损故障模式之间的高维映射.
- 使用TTT证明有效的数据再生和模型适应.
结论:
- 拟议的扩散模型和TTT组合有效地克服了机械故障诊断中的数据限制.
- 这种方法为航空发动机磨损故障检测的准确性和可靠性提供了显著的进步.
- 该方法对需要精确故障定位且数据有限的现实应用具有前景.


