FreqCondNorm：迈向通过频率条件化 Transformer 基础模型实现跨域预测性维护
FreqCondNorm: Towards Cross-domain Predictive Maintenance through a Frequency-Conditioned Transformer Foundation Model
精选理由
以频率条件化Transformer提升跨设备故障诊断迁移，亦揭示RUL建模的局限。
AI 摘要
深度学习预测性维护模型在不同机器和运行条件之间的迁移能力较差，尤其是在标注数据稀缺且信号采样频率跨越五个数量级（1 Hz 至约 100 kHz）的情况下。我们提出了 FreqCondNorm，一种基于 Transformer 的架构，引入 FiLM 风格的频率条件化归一化层，以在单一模型中统一异构时间序列。该架构基于五个公开的预测性维护数据集（CWRU、MFPT、UOC18、PRONOSTIA、CMAPSS）进行预训练，采用掩码自编码和对比学习，并结合均衡的领域采样。在故障诊断任务中，该模型在 CWRU 上达到 99.2% 的准确率（较 CNN 高 6.4 个百分点），并在 MFPT 上实现 82.1% 的零样本准确率，展示了跨采样频率的强大迁移能力。然而，该方法并未改善剩余使用寿命预测，表明预训练目标与 RUL 目标之间存在不匹配，值得未来进一步研究。