基于简化核的代价敏感广泛学习系统（SKCSBLS）应对不平衡故障诊断的研究报告 研究背景及意义 进入工业4.0时代，智能制造日益依赖于工业大数据分析，通过提取机器运行数据中的关键信息，可以提升设备健康管理的有效性，从而实现企业生产的安全性和高效性。然而，在实际工业应用中，不平衡数据给智能制造领域的故障诊断带来了严峻挑战。多数情况下，设备运行数据中正常状态的数据占压倒性多数，而故障数据往往稀少。这种类别分布不均衡可能导致模型的预测准确性下降，并使得小类别（故障类别）难以被有效识别。 目前，深度学习方法（如卷积神经网络和递归神经网络）被广泛应用于故障检测。但这些模型需要大量的训练数据，如果数据量有限，则易出现过拟合问题；此外，这些方法的计算复杂度较高，训练耗时较长。因此，科研人员开始关注结构较为...

基于自适应集成分解与跨模态注意力融合的电网故障诊断框架 研究背景 随着现代电力系统规模的不断扩大和复杂化，电网的稳定运行面临着越来越严峻的挑战。电网故障的发生可能由自然灾害、设备故障以及局部电网结构薄弱等多个因素导致。这些故障不仅会影响电力用户的正常工作，还可能导致大面积停电，进而引发重大损失。美国能源信息管理局的数据显示，美国每年平均发生超过500起电网故障事件，影响数百万用户的电力供应。在中国，因电网故障造成的年均电力损失超过百亿人民币。由此可见，快速准确地检测和诊断电网故障类型已成为电力系统研究中的关键课题之一。 研究来源 本文题为“a grid fault diagnosis framework based on adaptive integrated decomposition a...