学习聆听破损电机：基于特征引导的数据增强用于电机诊断
机器学习
2026-04-20 v1
摘要
机器学习（ML）算法在三相电机智能诊断中的应用，具有显著提升诊断性能和准确性的潜力。传统方法主要依赖特征分析，尽管作为标准实践，仍可通过集成先进ML技术获得改进。在本研究中，我们创新性地将ML算法与一种新型无监督异常生成方法结合，后者考虑了电机物理模型。在我们看来，提出了Signature-Guided Data Augmentation（SGDA），这是一种无监督框架，可直接在健康电流信号的频域内合成物理上合理的故障。受电机电流特征分析（Motor Current Signature Analysis）指导，SGDA在不依赖计算密集仿真的情况下创建多样且真实的异常。这种混合方法利用了有监督ML和无监督特征分析的优势，实现了卓越的诊断准确性和可靠性，同时适用于广泛的工业应用。我们的发现凸显了该方法在电机诊断领域的潜力，为实际应用提供了稳健且高效的解决方案。
引用
@article{arxiv.2506.08412,
title = {Learning to Hear Broken Motors: Signature-Guided Data Augmentation for Induction-Motor Diagnostics},
author = {Saraa Ali and Aleksandr Khizhik and Stepan Svirin and Artem Ryzhikov and Denis Derkach},
journal= {arXiv preprint arXiv:2506.08412},
year = {2026}
}