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

本文提出了一种新的基于观察者的方法来检测和隔离工业系统中的故障传感器，其中考虑了两种类型的传感器故障，即完全故障和传感器劣化。这种基于学习的 Luenberger 观察器可以准确估计系统状态，从而通过残差产生检测传感器故障，并且能够在测量噪声和系统不确定性存在的情况下保持稳健，在 Kuramoto 振荡器网络中进行数值模拟以验证该方法的有效性。

Apr, 2023

本研究基于自编码器综合考虑多变量时间序列数据中的异常检测及根本原因分析，通过总重构误差和局部重构误差判别冷却系统故障位置并结合专家知识进行根本原因分析，针对 34 个传感器 8 个月数据在冷却系统单元上进行了探究，并且对比验证结果表明自编码器方法能够稳定而且鲁棒性高地检测冷却系统中的异常。

Oct, 2022

基于新颖的概念漂移检测器，我们提出了一种以信息驱动的故障检测方法，适用于识别加性噪声模型的输入输出关系中的漂移（即模型漂移），该方案不需要事先的故障示例，并且可以在系统模型的大类上无分布地应用。通过与故障检测、模型漂移检测以及两个随机变量之间的相互独立性测试之间的关联，我们证明了所提出的基于互信息的故障检测方案具有强一致性、对非故障情况的指数快速检测以及对检验的显著性水平和功率的控制等几个理论特性。通过合成数据和飞机涡轮发动机的基准数据集 N-CMAPSS 的验证，我们的理论得到了支持，结果表明我们的方法在许多实际和现实的场景中具有实用性，并且其他方法无法提供的理论结果显示了性能保证。

May, 2024

利用多传感器融合和对比学习范式，提出了一种去噪多模态自编码器训练策略，用于提高复杂工业装备的机器健康监测效果，并可在传感器故障发生时实现更稳健的多模态故障诊断系统，以及构建成本更低、不损失性能的实际用途的条件监测系统。

Nov, 2023

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

使用遮蔽模型和自监督学习提出了一种用于传感器故障检测、隔离和修复的新框架，该方法通过捕捉不同传感器之间的复杂时空关系提高了传感器测量的准确性和可靠性。

Mar, 2024

利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据，提出了一种新的机械故障诊断方法，通过少量标记样本和大量未标记数据的有效组合，实现了比现有方法更出色的性能。

Nov, 2023

基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

Dec, 2016

我们展示了一个基于基于物理学的数字双胞胎模型和三个模块的端到端框架，旨在提高制造系统对意外事件的抗干扰能力。

Aug, 2022