Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning

稳健性(进化) 人工智能 计算机科学 卷积神经网络 机器学习 特征提取 学习迁移 方位(导航) 模式识别(心理学) 人工神经网络 特征选择 重新使用 可靠性(半导体) 断层(地质) 工程类 特征学习 传递函数 频域 故障检测与隔离 领域知识 域适应 特征(语言学) 数据挖掘 冗余(工程) 振动 深度学习 时域 分类器(UML) 变量(数学)
作者
Tasfiq E. Alam,Md Manjurul Ahsan,Shivakumar Raman
出处
期刊:Cornell University - arXiv [Cornell University]
标识
DOI:10.48550/arxiv.2508.07536
摘要

Accurate and interpretable bearing fault classification is critical for ensuring the reliability of rotating machinery, particularly under variable operating conditions where domain shifts can significantly degrade model performance. This study proposes a physics-informed multimodal convolutional neural network (CNN) with a late fusion architecture, integrating vibration and motor current signals alongside a dedicated physics-based feature extraction branch. The model incorporates a novel physics-informed loss function that penalizes physically implausible predictions based on characteristic bearing fault frequencies - Ball Pass Frequency Outer (BPFO) and Ball Pass Frequency Inner (BPFI) - derived from bearing geometry and shaft speed. Comprehensive experiments on the Paderborn University dataset demonstrate that the proposed physics-informed approach consistently outperforms a non-physics-informed baseline, achieving higher accuracy, reduced false classifications, and improved robustness across multiple data splits. To address performance degradation under unseen operating conditions, three transfer learning (TL) strategies - Target-Specific Fine-Tuning (TSFT), Layer-Wise Adaptation Strategy (LAS), and Hybrid Feature Reuse (HFR) - are evaluated. Results show that LAS yields the best generalization, with additional performance gains when combined with physics-informed modeling. Validation on the KAIST bearing dataset confirms the framework's cross-dataset applicability, achieving up to 98 percent accuracy. Statistical hypothesis testing further verifies significant improvements (p < 0.01) in classification performance. The proposed framework demonstrates the potential of integrating domain knowledge with data-driven learning to achieve robust, interpretable, and generalizable fault diagnosis for real-world industrial applications.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
丘比特的应助被zyf采纳,获得10
1秒前
jojo完成签到,获得积分10
1秒前
1秒前
kata完成签到,获得积分10
1秒前
南风完成签到,获得积分10
2秒前
夜寻发布了新的文献求助30
3秒前
无花果的应助被meng采纳,获得10
3秒前
zhikaiyici发布了新的文献求助30
4秒前
刘昊然的老婆完成签到 ,获得积分10
5秒前
liu发布了新的文献求助10
5秒前
Zhao完成签到 ,获得积分10
5秒前
Felix发布了新的文献求助10
6秒前
小蘑菇的应助被xiaoxiao采纳,获得10
7秒前
bad boy发布了新的文献求助10
7秒前
天天快乐的应助被李李李采纳,获得10
7秒前
8秒前
8秒前
小小鱼完成签到,获得积分10
8秒前
英俊的铭的应助被猪大肠采纳,获得10
9秒前
10秒前
10秒前
酷波er的应助被玩家666采纳,获得10
10秒前
10秒前
SciGPT的应助被夜寻采纳,获得30
11秒前
星辰大海的应助被魏同心采纳,获得10
11秒前
打打的应助被arcidia采纳,获得10
12秒前
13秒前
14秒前
MMLi发布了新的文献求助10
14秒前
zyf发布了新的文献求助10
14秒前
FashionBoy的应助被Jasmine采纳,获得10
14秒前
14秒前
15秒前
15秒前
毛毛发布了新的文献求助10
15秒前
maguodrgon发布了新的文献求助10
15秒前
深情可乐完成签到,获得积分10
15秒前
孙兆楠发布了新的文献求助200
16秒前
我是老大的应助被科研单身狗采纳,获得10
16秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 2000
Handbook of Sport Coaching Research 1000
Orthognathic Surgery - 2 Volume Set 500
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
基于结构调控的功能化水诱导发电材料与器件研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8193653
求助须知:如何正确求助?哪些是违规求助? 9579816
关于积分的说明 21867585
捐赠科研通 7793288
什么是DOI,文献DOI怎么找? 3437343
关于科研通互助平台的介绍 2560779
邀请新用户注册赠送积分活动 2484193