Data-Efficient Motor Condition Monitoring with Time Series Foundation Models

📄 arXiv: 2511.23177v2 📥 PDF

作者: Deyu Li, Xinyuan Liao, Shaowei Chen, Shuai Zhao

分类: eess.SP, eess.SY

发布日期: 2025-11-28 (更新: 2025-12-02)

💡 一句话要点

利用时间序列预训练模型，实现数据高效的电机状态监测

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 电机状态监测 时间序列分析 预训练模型 迁移学习 故障诊断 数据高效 MOMENT Mantis

📋 核心要点

  1. 传统电机状态监测方法依赖大量带标签数据，但在实际应用中，故障标签稀疏且类别不平衡，限制了诊断效果。
  2. 论文提出利用时间序列预训练模型MOMENT和Mantis，迁移其学习到的通用时间特征，减少对标注数据的依赖。
  3. 实验表明，该方法在极少量数据下，显著提升了电机状态监测的准确率，验证了时间序列基础模型的数据效率。

📝 摘要（中文）

电机状态监测对于确保系统可靠性和预防灾难性故障至关重要。然而，数据驱动的诊断方法通常面临故障标签稀疏和严重的类别不平衡问题，限制了其在实际应用中的有效性。本文提出了一种电机状态监测框架，该框架利用两个时间序列基础模型MOMENT和Mantis的预训练过程中学习到的通用特征来应对这些挑战。通过迁移大规模预训练中获得的广泛时间表示，该方法显著降低了对标记数据的依赖，同时保持了较高的诊断准确率。实验结果表明，仅使用1%的训练数据，MOMENT的性能几乎是传统深度学习模型的两倍，而Mantis在相同数据比例下，超越了最先进的基线方法22%，达到了90%的准确率。这些结果证明了时间序列基础模型在故障诊断中的强大泛化能力和数据效率，为智能电机状态监测的可扩展和自适应框架提供了新的见解。

🔬 方法详解

问题定义：电机状态监测旨在早期发现潜在故障，避免灾难性事故。然而，现有数据驱动方法受限于实际应用中故障数据的稀缺性，特别是带标签的故障数据，以及不同故障类型数据量的不平衡，导致模型泛化能力不足。

核心思路：论文的核心思路是利用大规模时间序列数据预训练的时间序列基础模型，学习通用的时间表示。这些预训练模型能够捕捉时间序列数据的内在结构和模式，从而在少量标注数据的情况下，实现高效的故障诊断。通过迁移学习，将预训练模型的知识迁移到电机状态监测任务中，降低对大量标注数据的需求。

技术框架：该框架主要包含两个阶段：预训练阶段和微调阶段。在预训练阶段，使用大规模无标签时间序列数据训练MOMENT和Mantis模型，学习通用的时间表示。在微调阶段，使用少量带标签的电机状态数据，对预训练模型进行微调，使其适应特定的电机状态监测任务。最终，使用微调后的模型进行故障诊断。

关键创新：该方法最重要的创新在于将时间序列基础模型应用于电机状态监测领域，利用预训练模型强大的特征提取能力，解决了传统方法对大量标注数据的依赖问题。与传统的端到端训练方法相比，该方法能够利用无标签数据进行预训练，从而在少量标注数据的情况下，获得更好的性能。

关键设计：MOMENT和Mantis是两种不同的时间序列基础模型，具体结构未知。关键设计可能包括预训练任务的选择（例如，对比学习、掩码预测等），以及微调阶段的损失函数设计（例如，交叉熵损失、焦点损失等）。此外，模型的超参数设置，如学习率、批大小等，也可能对性能产生重要影响。（注：由于论文信息有限，此处为推测）

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，使用1%的训练数据，MOMENT的性能几乎是传统深度学习模型的两倍。Mantis在相同数据比例下，超越了最先进的基线方法22%，达到了90%的准确率。这些结果充分证明了时间序列基础模型在电机状态监测中的优越性能和数据效率。

🎯 应用场景

该研究成果可广泛应用于各种工业场景中的电机状态监测，例如制造业、能源行业、交通运输等。通过早期发现电机故障，可以有效降低设备维护成本，提高生产效率，避免因设备故障造成的安全事故，具有重要的经济和社会价值。未来，该技术有望扩展到其他类型设备的健康监测和故障诊断。

📄 摘要（原文）

Motor condition monitoring is essential for ensuring system reliability and preventing catastrophic failures. However, data-driven diagnostic methods often suffer from sparse fault labels and severe class imbalance, which limit their effectiveness in real-world applications. This paper proposes a motor condition monitoring framework that leverages the general features learned during pre-training of two time series foundation models, MOMENT and Mantis, to address these challenges. By transferring broad temporal representations from large-scale pre-training, the proposed approach significantly reduces dependence on labeled data while maintaining high diagnostic accuracy. Experimental results show that MOMENT achieves nearly twice the performance of conventional deep learning models using only 1% of the training data, whereas Mantis surpasses state-of-the-art baselines by 22%, reaching 90% accuracy with the same data ratio. These results demonstrate the strong generalization and data efficiency of time series foundation models in fault diagnosis, providing new insights into scalable and adaptive frameworks for intelligent motor condition monitoring.