面向通用振动分析数据集：预测性维护与结构健康监测中的迁移学习框架
机器学习
2025-05-21 v1 信号处理
摘要
ImageNet 已成为迁移学习中可靠的资源，使开发高效机器学习模型的训练时间和数据需求显著降低。然而，预测性维护、结构健康监测和故障诊断中的振动分析缺乏类似规模和标注的数据集以促进类似进展。为此提出一种数据框架，该框架以轴承振动数据为初始步骤，致力于创建用于所有机械设备的基于振动的频谱图分析的通用数据集。初始框架包括来自各种公开数据集的轴承振动信号集合。为展示该框架的优势，实验采用深度学习架构，表明在轴承振动数据上预训练后，再在较小的特定领域数据集上微调可显著提升模型性能。这些发现凸显了在振动分析领域实现 ImageNet 在视觉计算中成功的潜力。今后工作将包括来自多种机械设备的更广泛振动信号，强调数据的时间频谱图表示。每个样本将根据设备类型、运行状态以及故障的存在或类型进行标注，以确保其对监督和无监督学习任务的实用性。此外，将开发针对振动数据的特定数据预处理、特征提取和模型训练框架。该框架将标准化研究社区内的方法，使协作成为可能并加速预测性维护、结构健康监测及相关领域的进展。通过模拟视觉计算中 ImageNet 的成功，该数据集有望提高工业应用中智能系统开发的水平。
引用
@article{arxiv.2504.11581,
title = {Towards a Universal Vibration Analysis Dataset: A Framework for Transfer Learning in Predictive Maintenance and Structural Health Monitoring},
author = {Mert Sehri and Igor Varejão and Zehui Hua and Vitor Bonella and Adriano Santos and Francisco de Assis Boldt and Patrick Dumond and Flavio Miguel Varejão},
journal= {arXiv preprint arXiv:2504.11581},
year = {2025}
}