Neue Methode kombiniert VAE und Wavelet‑CNN zur Diagnose von Lagerfehlern

Forscher der Huanghe Science and Technology College haben in einem im Januar 2026 veröffentlichten Artikel in PLOS ONE ein Diagnoseverfahren vorgestellt, das einen verbesserten Variational Autoencoder (Similarity‑Aware VAE) mit einem Wavelet‑Convolutional‑1D‑CNN verknüpft, um Fehlermuster in Kugellagern zu erkennen.

Methodischer Ansatz

Der vorgeschlagene Ansatz nutzt einen neuartigen Similarity‑Loss, der die Ähnlichkeit von Merkmalen im hochdimensionalen Raum misst und gleichzeitig über einen erweiterten Aufmerksamkeitsmechanismus Trainingsparameter automatisch anpasst. Durch diese Maßnahme soll die Datenverteilung ausgeglichener werden.

Wavelet‑Convolutional‑Layer

Im Netzwerk ersetzt die erste Schicht des herkömmlichen CNN einen Standard‑Convolution‑Layer durch einen Wavelet‑Convolutional‑Layer, der auf der kontinuierlichen Wavelet‑Transformation basiert. Diese Konstruktion ermöglicht die Extraktion mehrskaliger Merkmale aus den Vibrationssignalen der Lager.

Experimentelle Validierung

Die Autoren berichten, dass die Methode anhand zweier öffentlich verfügbarer Datensätze – dem CWRU‑Datensatz und dem XJTU‑SY‑Datensatz – getestet wurde. Die Ergebnisse sollen zeigen, dass die Datenqualität verbessert und gleichzeitig eine robuste Diagnoseleistung erhalten bleibt.

Daten‑ und Codeverfügbarkeit

Laut den Autoren stehen sämtliche Messdaten und das zugehörige Quellcode‑Repository dauerhaft unter https://github.com/xdmdcn/Similarity-Aware-VAE-with-Wavelet-Convolutional-1D-CNN-for-Rolling-Bearing-Fault-Diagnosis bereit.

Finanzierung und Interessenkonflikte

Die Forschung wurde durch Fördermittel der Provinz Henan, der lokalen Universität Zhengzhou und eines nationalen Innovationsprogramms unterstützt. Die Autoren erklären, dass keine Interessenkonflikte vorliegen.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.