UniFault：基于轴承数据的故障诊断基础模型
机器学习
2025-11-06 v2
摘要
机器故障诊断（FD）是预测性维护的关键任务，能够实现早期故障检测并防止意外失效。尽管其重要性，现有FD模型是特定于操作的，跨不同数据集的泛化能力有限。基础模型（FM）在视觉和语言领域已展现出显著潜力，即使通过少量样本或零样本学习也能实现令人印象深刻的泛化能力。然而，将这些进展迁移到FD面临独特的障碍。与图像和文本可用的大规模、内聚数据集不同，FD数据集通常更小且更异构，不同系统和应用中的采样频率和通道数存在显著差异。这种异质性使得设计一个能够有效处理此类多样化数据同时保持稳健特征提取和学习能力的通用架构变得复杂。在本文中，我们介绍了UniFault，一个系统性地解决这些问题的故障诊断基础模型。具体而言，该模型包含一个全面的数据统一化流程，具有两个关键创新。首先，一个统一方案将多变量输入转换为标准化的单变量序列。其次，一种新颖的跨域时间融合策略减轻了分布偏移并丰富了样本多样性和数量，提高了模型在不同条件下的泛化能力。UniFault在超过690万个样本上进行了预训练，这些样本涵盖多样化的FD数据集，实现了优越的少样本性能。在真实世界FD数据集上的大量实验表明，UniFault达到了最先进的性能，为故障诊断模型设立了新的基准，并为更可扩展和稳健的预测性维护解决方案铺平了道路。
引用
@article{arxiv.2504.01373,
title = {UniFault: A Fault Diagnosis Foundation Model from Bearing Data},
author = {Emadeldeen Eldele and Mohamed Ragab and Xu Qing and Edward and Zhenghua Chen and Min Wu and Xiaoli Li and Jay Lee},
journal= {arXiv preprint arXiv:2504.01373},
year = {2025}
}