现代故障分类系统中的一个重要特征是在面对以前未见过的故障类型时能够警示系统。本文考虑了基于深度神经网络的故障分类器的未知故障检测能力。具体而言，我们提出了一种方法，即在可用的情况下，使用有关故障分类法（fault taxonomy）的标签来提高未知故障检测性能，而不损失模型性能。为实现这一目的，我们提出利用软标签技术来改进先进的深度新颖故障检测技术，并提出用于在线新颖故障检测的层次一致的检测统计量。最后，我们在热轧钢生产过程中的检测图像中展示了对新颖故障检测的提高性能，结果在多个场景和基准检测方法中得到了良好的复制。

Mar, 2024

本研究旨在通过嵌入分布式注意力模块到稠密连接中，改进深度学习模型在旋转机械状态监测中的理解和诊断过程，提出的密集融合网络通过可视化网络的诊断过程，增加模型诊断的可解释性，并在离心风机故障数据上验证了其诊断性能的优越性。

Nov, 2023

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

本文提出并评估了无监督机器学习在网络安全物理系统（CPS）中进行异常检测的应用，对比采用深度神经网络和一类支持向量机两种方法的性能，结果表明深度神经网络产生了更少的误报，但一类支持向量机检测到的异常略微更多。

Sep, 2017

通过使用一个液压系统测试数据集，本研究聚焦于传感器基于的状态监测，并探索了使用深度学习技术的应用。我们比较了三种模型的性能：一个使用常规方法的基准模型，一个具有早期传感器融合的单一卷积神经网络模型，以及一个具有晚期传感器融合的双路卷积神经网络模型 (2L-CNN)。基准模型通过晚期传感器融合取得了令人印象深刻的 1% 测试误差率，其中对每个传感器进行了单独的特征提取。然而，由于传感器特征的多样性，卷积神经网络模型遇到了挑战，导致了 20.5% 的误差率。为了进一步调查这个问题，我们对每个传感器进行了单独的训练，并观察到了准确性的变化。此外，我们还评估了 2L-CNN 模型的性能，在考虑最不理想和最理想传感器的组合时，错误率降低了 33%。本研究强调了在传感器基于的状态监测中有效应对多传感器系统的复杂性的重要性。

Aug, 2023

提出了一种基于自监督学习的神经网络模型来解决电动机故障诊断的问题，通过微调模型在不同故障情景、不同机器之间实现了超过 90％的分类准确度，具有广泛的潜力应用于现实世界中的跨机器故障诊断任务。

Jul, 2023

本研究提出一种个性化联邦学习框架，使用联邦聚类方法将具有相似振动特征数据的不同工厂旋转机器进行分类，并通过多任务深度学习模型进行异构信息融合进行多任务故障诊断，最终采用自适应分级汇聚策略解决不同机器之间的数据异构性问题。案例研究验证了所提出的框架的有效性，特别对于那些故障样本匮乏的机器，使用所提出的个性化联邦学习可以显著提高诊断精度。

Nov, 2022

本研究提出了一种新颖的方法，它利用具有建模复杂多维分布能力的基于物理模拟的 Real NVP 神经网络，并结合基于传感器数据排列的自监督任务，旨在增强卫星多变量时间序列中的故障检测，实验证明各种设置中都显著提高了性能，特别是仅使用自监督损失获得了最佳结果，表明其在指导网络提取与故障检测相关的特征方面的有效性，这项研究为改善空间系统中的故障检测提供了有希望的方向，并值得在其他数据集和应用中进一步探索。

Jul, 2024

本文提出了使用新转换方法从实时输入信号中提取故障的嵌入式人工智能 (CNN) 方法，以实现实时故障检测，同时提出了一种同步双电机系统来实现过载降低和容错处理，最终的实验结果显示该方法在测试中达到 99.9997% 的准确率。

Apr, 2023

本研究提出了基于深度学习的半导体缺陷检测方法 SEMI-CenterNet，在 SEM 图像中实现了缺陷的高效定位和分类，并显著改善了推断时间。通过在两个数据集上训练和使用自定义 SEM 数据集的迁移学习，减少了传统训练方法所需的训练时间，获得了最佳的平均精确度。

Aug, 2023