A Multimodal Lightweight Approach to Fault Diagnosis of Induction Motors in High-Dimensional Dataset
作者: Usman Ali
分类: cs.LG, eess.SP, eess.SY
发布日期: 2025-01-07 (更新: 2025-10-17)
💡 一句话要点
提出基于迁移学习的轻量级多模态方法，用于高维数据集下感应电机故障诊断。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 感应电机故障诊断 断裂转子条 迁移学习 ShuffleNetV2 短时傅里叶变换 快速傅里叶变换 多模态融合 轻量级模型
📋 核心要点
- 现有感应电机故障诊断方法依赖小数据集，易过拟合，难以适应复杂工业环境。
- 利用迁移学习，提出基于ShuffleNetV2的轻量级深度学习模型，降低计算成本，提升诊断精度。
- 实验表明，该模型在包含57,500张频谱图像的大规模数据集上，实现了98.856%的分类准确率。
📝 摘要（中文）
本文提出了一种基于人工智能的精确感应电机（IMs）诊断系统，旨在加强主动维护，减少计划外停机时间，并降低工业环境中的总体维护成本。断裂转子条（BRB）故障是IMs中常见的故障之一。针对BRB故障，研究人员提出了各种使用信号处理（SP）、机器学习（ML）、深度学习（DL）和混合架构的故障诊断方法。现有文献的一个局限性在于，这些架构是在相对较小的数据集上训练的，这在工业环境中实施此类系统时存在过拟合的风险。本文通过使用基于迁移学习的轻量级DL模型ShuffleNetV2，利用电流和振动信号数据诊断一个、两个、三个和四个BRB故障，从而解决了这一局限性。使用短时傅里叶变换（STFT）生成用于训练和测试的频谱图像。数据集包含57,500张图像，其中47,500张用于训练，10,000张用于测试。ShuffleNetV2模型表现出卓越的性能，计算成本更低，并且能够准确分类98.856%的频谱图像。为了进一步增强由断裂条引起的谐波边带的可视化，将快速傅里叶变换（FFT）应用于电流和振动数据。本文还提供了关于每个模型的训练和测试时间的见解，有助于全面理解所提出的故障诊断方法。研究结果为开发工业环境中感应电机鲁棒的故障诊断系统奠定了基础。
🔬 方法详解
问题定义：论文旨在解决感应电机断裂转子条（BRB）故障诊断问题。现有方法通常依赖于小规模数据集进行训练，导致模型在实际工业环境中容易出现过拟合现象，泛化能力不足。此外，传统方法在计算资源消耗方面也可能较高，难以满足工业应用的实时性需求。
核心思路：论文的核心思路是利用迁移学习，将预训练的轻量级深度学习模型ShuffleNetV2应用于BRB故障诊断。通过在大规模数据集上进行训练，提高模型的泛化能力，同时利用ShuffleNetV2的轻量化特性，降低计算成本，提升诊断效率。结合电流和振动信号的多模态信息，进一步增强模型的诊断准确性。
技术框架：整体流程包括数据采集、预处理、特征提取、模型训练和故障诊断五个主要阶段。首先，采集感应电机的电流和振动信号。然后，使用短时傅里叶变换（STFT）将信号转换为频谱图像，作为模型的输入。接着，利用大规模数据集对ShuffleNetV2模型进行训练，并使用快速傅里叶变换（FFT）对电流和振动数据进行分析，以增强谐波边带的可视化。最后，利用训练好的模型对新的频谱图像进行分类，实现BRB故障的诊断。
关键创新：论文的关键创新在于以下几点：1) 使用大规模数据集进行模型训练，有效避免了过拟合问题，提高了模型的泛化能力。2) 采用基于迁移学习的轻量级深度学习模型ShuffleNetV2，降低了计算成本，提升了诊断效率。3) 结合电流和振动信号的多模态信息，增强了模型的诊断准确性。与现有方法相比，该方法在诊断精度和计算效率方面均有显著提升。
关键设计：论文的关键设计包括：1) 使用短时傅里叶变换（STFT）将电流和振动信号转换为频谱图像，作为模型的输入。2) 采用预训练的ShuffleNetV2模型，并根据BRB故障诊断任务进行微调。3) 使用包含57,500张图像的大规模数据集进行模型训练。4) 使用快速傅里叶变换（FFT）对电流和振动数据进行分析，以增强谐波边带的可视化。5) 模型的损失函数和优化器等参数根据实际情况进行调整，以获得最佳的诊断性能。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于ShuffleNetV2的模型在包含57,500张频谱图像的大规模数据集上，实现了98.856%的分类准确率。相较于其他机器学习和深度学习模型，该模型在计算成本和诊断精度方面均表现出更优的性能，为工业应用提供了可靠的解决方案。
🎯 应用场景
该研究成果可应用于工业自动化、智能制造等领域，实现对感应电机的早期故障诊断和预测性维护。通过及时发现BRB故障，可以有效避免设备停机，降低维护成本，提高生产效率。该方法还可扩展到其他类型电机故障的诊断，具有广阔的应用前景。
📄 摘要（原文）
An accurate AI-based diagnostic system for induction motors (IMs) holds the potential to enhance proactive maintenance, mitigating unplanned downtime and curbing overall maintenance costs within an industrial environment. Notably, among the prevalent faults in IMs, a Broken Rotor Bar (BRB) fault is frequently encountered. Researchers have proposed various fault diagnosis approaches using signal processing (SP), machine learning (ML), deep learning (DL), and hybrid architectures for BRB faults. One limitation in the existing literature is the training of these architectures on relatively small datasets, risking overfitting when implementing such systems in industrial environments. This paper addresses this limitation by implementing large-scale data of BRB faults by using a transfer-learning-based lightweight DL model named ShuffleNetV2 for diagnosing one, two, three, and four BRB faults using current and vibration signal data. Spectral images for training and testing are generated using a Short-Time Fourier Transform (STFT). The dataset comprises 57,500 images, with 47,500 used for training and 10,000 for testing. Remarkably, the ShuffleNetV2 model exhibited superior performance, in less computational cost as well as accurately classifying 98.856% of spectral images. To further enhance the visualization of harmonic sidebands resulting from broken bars, Fast Fourier Transform (FFT) is applied to current and vibration data. The paper also provides insights into the training and testing times for each model, contributing to a comprehensive understanding of the proposed fault diagnosis methodology. The findings of our research provide valuable insights into the performance and efficiency of different ML and DL models, offering a foundation for the development of robust fault diagnosis systems for induction motors in industrial settings.