论文
FreqCondNorm：以频率条件归一化支持跨域预测性维护
FreqCondNorm: Towards Cross-domain Predictive Maintenance through a Frequency-Conditioned Transformer Foundation Model
摘要
深度学习预测性维护模型跨机器与工况的迁移能力较弱，尤其在标注稀缺、信号采样频率跨越五个数量级（1 Hz至约100 kHz）时。我们提出基于Transformer的FreqCondNorm，引入FiLM式频率条件归一化层，在单一模型中统一异构时间序列。模型使用均衡域采样，在CWRU、MFPT、UOC18、PRONOSTIA和CMAPSS五个公开预测性维护数据集上，通过掩码自编码和对比学习预训练。在故障诊断中，模型在CWRU上达到99.2%准确率，比CNN高6.4个百分点；在MFPT上的零样本准确率为82.1%，展示了较强的跨采样频率迁移能力。然而，该方法并未改善剩余使用寿命预测，提示预训练目标与RUL目标可能不匹配，需要后续研究。
