故障诊断领域最近github的开源代码及github链接

1.多工况下齿轮箱故障诊断的多层对抗学习域自适应(Domain Adaptation with Multilayer Adversarial Learning for Fault Diagnosis of Gearbox under Multiple Operating Conditions)

文章摘要：深度学习已被广泛用于解决故障诊断问题，并正在成为现代制造业的一项关键技术。齿轮箱作为机械设备的重要传动装置，经常以不同的速度和负载运行，这可能会导致实际应用中数据分布的变化。数据分布不同导致的跨域问题可能会降低基于深度学习的故障诊断模型的性能。为了克服这一挑战，提出了一种新的领域自适应方法，称为MAAN：多层对抗自适应网络，用于变速箱在多种工况下运行的故障诊断。我们的MAAD的基本框架是深度卷积神经网络（CNN），然后使用对抗性自适应学习程序来优化基本CNN以适应不同领域。实验结果表明，MAAN具有良好的故障诊断和域自适应能力，对变速箱的变工况故障诊断具有较高的精度。为了研究该方法的适应性，我们使用t-SNE来减少高维特征，以获得更好的可视化效果。 

代码：1.https://github.com/mingzhangPHD/Transfer-Learning-for-Fault-Diagnosis

2.Limited Data Rolling Bearing Fault Diagnosis with Few-shot Learning（基于小样本学习的有限数据滚动轴承故障诊断）

 文章摘要：本文主要研究有限训练数据下的轴承故障诊断。故障诊断中的一个主要挑战是不可能在所有工作条件下为每种故障类型获得足够的训练样本。近年来，基于深度学习的故障诊断方法取得了可喜的成果。然而，这些方法中的大多数都需要大量的训练数据。在这项研究中，我们提出了一种基于深度神经网络的少镜头学习方法，用于有限数据下的滚动轴承故障诊断。我们的模型基于连体神经网络，该网络通过利用相同或不同类别的样本对进行学习。在标准的凯斯西储大学（CWRU）轴承故障诊断基准数据集上的实验结果表明，在数据可用性有限的情况下，我们的少镜头学习方法在故障诊断中更有效。当用最少的训练数据在不同的噪声环境中进行测试时，我们的少镜头学习模型的性能超过了具有合理噪声水平的基线模型。当在具有新故障类型或新工作条件的测试集上进行评估时，很少有快照模型比使用所有故障类型训练的基线工作得更好。

代码：

GitHub - SNBQT/Limited-Data-Rolling-Bearing-Fault-Diagnosis-with-Few-shot-Learning: This is the corresponding repository of paper Limited Data Rolling Bearing Fault Diagnosis with Few-shot Learning

3.Integrating Expert Knowledge with Domain Adaptation for Unsupervised Fault Diagnosis（将专家知识与领域自适应相结合用于无监督故障诊断）

文章摘要：数据驱动的故障诊断方法通常需要为每种故障类型提供丰富的标记示例。相反，真实世界的数据往往是未标记的，主要由健康的观察结果和少数错误条件的样本组成。标签和故障样本的缺乏对现有的数据驱动故障诊断方法提出了重大挑战。在本文中，我们的目标是通过在无监督故障诊断的合成到真实框架中将专家知识与领域自适应相结合来克服这一限制。受领域专家通常对不同故障类型如何影响健康信号有相对良好的理解这一事实的启发，在所提出的框架的第一步中，通过增强健康轴承的真实振动样本来生成合成故障数据集。该合成数据集集成了专家知识，并对有关故障类型的类信息进行编码。然而，由于综合生成的断层与实际断层之间存在明显的分布差异，仅基于合成数据训练的模型往往表现不佳。为了克服合成数据和真实数据之间的这一领域差距，在所提出的框架的第二步中，提出了一种不平衡鲁棒领域自适应方法，将模型从合成故障（源）自适应到存在严重类别不平衡的未标记真实故障（目标）。该框架在CWRU实验室数据集和真实世界的风力涡轮机数据集这两个轴承无监督故障诊断案例上进行了评估。实验结果表明，生成的故障对故障类型信息的编码是有效的，并且域自适应对不同级别的故障之间的类不平衡是鲁棒的。

代码：GitHub - qinenergy/syn2real: Code and data for our paper on IEEE-TIE: Integrating Expert Knowledge with Domain Adaptation for Unsupervised Fault Diagnosis 

4.Lab-scale Vibration Analysis Dataset and Baseline Methods for Machinery Fault Diagnosis with Machine Learning（基于机器学习的机械故障诊断的实验室振动分析数据集和基线方法）

文章摘要：工厂机器状态的监控对于制造业的生产至关重要。机器的突然故障可能会导致生产停止并造成收入损失。机器的振动信号是其状态的良好指示器。本文介绍了一个来自实验室规模机器的振动信号数据集。该数据集包含四种不同类型的机器条件：正常、不平衡、未对准和轴承故障。三种机器学习方法（SVM、KNN和GNB）对数据集进行了评估，其中一种方法在1倍测试中获得了完美的结果。由于数据是平衡的，因此使用加权精度（WA）来评估算法的性能。结果表明，性能最好的算法是SVM，在5次交叉验证中的WA为99.75%。

代码：GitHub - bagustris/VBL-VA001: Lab-scale Vibration Analysis Dataset and Its Machine Learning Methods

5.TFN: An Interpretable Neural Network with Time-Frequency Transform Embedded for Intelligent Fault Diagnosis（一种嵌入时频变换的可解释智能故障诊断神经网络） 

文章摘要：卷积神经网络由于其强大的特征提取和分类能力，在机械系统故障诊断中得到了广泛的应用。然而，CNN是一个典型的黑匣子模型，其决策机制尚不明确，这限制了其在高可靠性要求的故障诊断场景中的应用。为了解决这个问题，我们提出了一种新的可解释神经网络，称为时频网络（TFN），其中将物理上有意义的时频变换（TFT）方法嵌入到传统的卷积层中作为自适应预处理层。该预处理层被称为时频卷积（TFconv）层，受到精心设计的核函数的约束，以提取与故障相关的时频信息。它不仅提高了诊断性能，而且揭示了CNN频域预测的逻辑基础。不同的TFT方法对应于TFconv层的不同内核功能。在本研究中，考虑了四种典型的TFT方法来制定TFN，并通过三个机械故障诊断实验证明了它们的有效性和可解释性。实验结果还表明，所提出的TFconv层可以很容易地推广到其他不同深度的细胞神经网络。

代码：作者目前未登载，但是后期会在这个网址放代码GitHub - ChenQian0618/TFN: this is the open code of paper entitled "TFN: An Interpretable Neural Network With Time Frequency Transform Embedded for Intelligent Fault Diagnosis".

6.Attention-embedded Quadratic Network (Qttention) for Effective and Interpretable Bearing Fault Diagnosis （基于注意力嵌入二次网络的轴承故障诊断）

文章摘要：轴承故障诊断对于降低旋转机械的损坏风险，进一步提高经济效益具有重要意义。近年来，以深度学习为代表的机器学习在轴承故障诊断方面取得了长足进展。然而，将深度学习应用于此类任务仍然面临一个重大问题。深度网络是出了名的黑盒。很难从正常信号和分类背后的物理原理中了解模型是如何对故障信号进行分类的。为了解决可解释性问题，首先，我们用最近发明的二次神经元建立了卷积网络的原型。由于二次神经元的强大特征表示能力，该二次神经元赋权网络可以对有噪声的方位数据进行定性。此外，我们通过将学习到的二次函数分解为类似于注意力的因子，从二次神经元独立推导出注意力机制，称为qttension，使具有二次神经元的模型具有内在的可解释性。在公众和我们的数据集上的实验表明，所提出的网络可以促进有效和可解释的轴承故障诊断。

代码：GitHub - asdvfghg/QCNN_for_bearing_diagnosis

7. 一种轻量化故障诊断框架——LiConvFormer

代码：https://github.com/123EastGod/LiConvFormer-a-lightweight-fault-diagnosis-framework

 8.Digital twin-assisted imbalanced fault diagnosis framework using subdomain adaptive mechanism and margin-aware regularization（一种数字孪生辅助的高度不平衡故障诊断新框架）

代码：https://github.com/123EastGod/Digital-twin-assisted-imbalanced-fault-diagnosis-framework

9：An Efficient Transfer Fault Diagnosis from Steady Speeds to Time-varying Speeds(一种从稳态速度到时变速度的高效故障诊断方法) 

代码：https://github.com/123EastGod/Efficient-Transfer-Fault-Diagnosis--from-Steady-Speeds-to-Time-varying-Speeds