该研究提出了一种基于多变量时间序列监控的 Wavelet 增强自编码器模型（WaveletAE），用于检测风力发电机组的失效，以实现在理解多尺度特征的过程中更好地识别风电机叶片积冰。实证研究表明，该模型比其他现有的时间序列异常检测方法更为出色。

Feb, 2019

本研究提出使用吸收材料记录辐射电磁场并通过条件编码器 - 解码器 AI 评估生成热图像序列的新方法，进行天线阵列的故障检测。研究表明，在低级图案下，基于轮廓的异常检测可以将重构误差矩阵映射到异常评分，以提高分类 F-M 度量达 46％。

Nov, 2021

本篇研究提出了一种基于深度图流支持向量数据描述的方法，针对现有工作中长时间延迟模式捕获不足、传感器连接动态变化被忽视以及高维数据样本困扰，采用变分图自编码器模型并建立加权属性图以及超球面，其在各项实验中表现优异，将 F1-score 提升 35.87%、AUC 提升 19.32% 且训练和推断速度比最佳基线快 32 倍。

Feb, 2023

基于稀疏自编码器（SAE）- 生成对抗网络（GAN）- 小波降噪（WNR）- 流形增强深度学习（SG-WMBDL）的水电站故障定位方法，通过提供高质量样本数据、降噪和捕捉局部特征，结合自适应增强的多深度学习，实现了具有非线性和非平滑特性的水电站故障的精准定位。

May, 2024

我们提出了一种新的无监督异常检测方法 FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制，我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对 FCVAE 进行了评估，结果表明它优于最先进的方法，验证了我们的方法在解决当前基于 VAE 的异常检测模型的局限性方面的实际适用性。

Feb, 2024

通过跨风力发电机的迁移学习，结合自编码器和重构误差的阈值，实现风力发电机中的异常检测，发现调整模型阈值可以比基准模型表现更好，而微调解码器或自编码器则进一步提升模型性能。

Apr, 2024

通过物联网设备获取工业设备退化现象的数据，并设计数据驱动模型进行异常检测，为建立预测性维护策略提供初步步骤。在研究中，通过组合低计算成本的预处理技术和机器学习模型，展示了一个用于泵、压缩机、风扇和其他工业机器中感应电机的异常检测系统。利用快速傅里叶变换 (FFT)、小波变换 (WT) 和分箱等预处理技术从原始数据中提取特征，通过多目标优化和分析选择表现最佳的模型，并验证了终端到终端的解决方案。

Oct, 2023

该论文提出了一种新颖的深度生成模型，采用变分自动编码器架构，利用卷积编码器和解码器从空间和时间维度提取特征，结合注意力机制增强相关特征的表示，改进异常检测准确性，并在安全水处理测试平台的六个阶段进行了全面的实验分析，实验结果表明该方法相比多个先进的基准技术具有更好的性能。

May, 2024

本篇论文提出了一种半监督方法，其中利用数据驱动方法的人工神经网络 (ANNs) 在未受损结构条件下训练以检测结构损伤，然后采用变分自动编码器 (VAE) 近似无损数据分布和单类支持向量机 (OC-SVM) 区分使用从 VAE 信号重建提取的损伤敏感特征的不同健康条件，该方法应用于 IASC-ASCE 结构健康监测任务组测试的一个规模钢结构中的九种损伤情况。

Oct, 2022

通过零样本学习方法，本文提出了一种新的故障检测和状态监测方法，可以在没有故障样本的情况下，对工业系统进行可靠的故障检测与健康状况评估。通过使用变分自编码器捕捉先前观察到和未知条件的概率分布，在隐空间比较每个样本与正常操作的参考分布的偏差，建立健康指数的阈值，能够高准确度地检测严重的未知故障，从而提升工业领域的故障检测能力，增强安全性和优化维护实践。

Apr, 2024