本文旨在利用 PRISMA 的方法对使用数据驱动的方法提高冷轧机多故障诊断的工业旋转机器进行系统文献综述，涉及传感器选择、数据获取、特征提取、多传感器数据融合等方面，探讨人工智能技术的应用及其面临的主要挑战和研究空白，并提出了未来研究的方向。

May, 2022

本文综述了使用不同类型的机器学习方法检测和诊断各种类型的机械故障的文章，突出了其优势和限制，回顾了用于基于条件的分析的方法，全面讨论了现有的机械故障数据集，并介绍了未来研究人员在使用这些方法进行 MFD 时可能遇到的挑战，并推荐可能的解决方案，同时指出了未来的研究前景，以促进该领域的进一步发展。

May, 2024

该文提出一种通过直方图理论设计 / 提取输入特征的新算法，将不同的时间序列传感器数据的特征提取过程统一起来，用于机器状态识别，结果表明该方案对于预测机器健康状态具有显著效果。

Feb, 2024

本论文使用四种模型，多重感知器、编码器、卷积神经网络和循环神经网络，对各种数据拆分策略、输入格式、正则化和增强方式等进行了全面评估，并整合了代码库。通过这些工作，释放了一个公开的统一代码框架，以公平、快速地比较和测试模型，强调了开源代码的重要性，并讨论了这一领域的潜在未来方向。

Mar, 2020

使用加速度传感器监测特殊类型的铣削机器的状态，通过有限的训练数据提出了监测工具磨损、机器故障等问题的监测和分类方案，实现工业制造过程的成本和效率的提升。

Feb, 2022

我们提出了正则化循环推断机（rRIM），一种新颖的机器学习方法，用于通过测量的光谱推导配对胶功能的挑战性问题。rRIM 将物理原理融入训练和推断中，具有噪声鲁棒性、适应性和减少数据需求的特点。它有效地从实验光谱中获取可靠的配对胶功能，并为类似 Fredholm 积分方程的逆问题提供了有希望的解决方案。

Apr, 2024

使用机器学习和信号处理来检测和识别感应电动机故障是工业 4.0 背景下避免生产中断和停机的一种有价值的方法。本研究运用 MATLAB Simulink 进行感应电动机故障的检测和识别研究，开发了一个三相感应电动机模型，收集了正常和故障电机数据。我们应用快速傅里叶变换 (FFT) 检测健康和不健康状态，并使用决策树算法进行模型训练，最终得到约 92% 的准确率。这项研究为工业应用提供了具有价值的故障检测和分类方法。

Jan, 2024

本篇文章介绍了一种全新的循环神经网络结构 RIMs，该结构可学习反映环境动态的模块化特征，具有更好的泛化性和适应性，通过对 RIMs 的专业化策略，可以在某些变量因素在训练和测试过程中发生系统性变化的任务上实现显著的改进。

Sep, 2019

在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。

Jan, 2024

通过训练循环神经网络掌握算法构建，我们提出了基于学习的循环推理机（RIM）框架以实现超越领域特定知识的抽象，并在多个图像修复实验中取得了最先进的性能，包括图像去噪和超分辨率任务，并具有优良的跨任务泛化性能。

Jun, 2017