一个掩码模型解决传感器故障检测、隔离和适应问题
本文提出了一种基于深度学习技术的时空深度网络 PowerFDNet，用于 AC 模型电网中 SFDIA 检测，PowerFDNet 可以有效地建模测量的时空结构，并在基准智能电网上的实验结果证明了其性能的显著改善，同时作者们还实现了一个 IoT 导向的轻型原型，证明了它在移动设备上的潜在应用。
Jul, 2022
本文提出了一种新的数据驱动方法 Augmented Imagefication 用于飞机空气数据传感器（ADS）的故障检测（FD），并使用深度神经网络（DNN）开发了一种基于边缘设备的在线 FD 方案，采用航空惯性参考单位测量作为等效输入，并提供了不同飞机 / 飞行条件下的数据进行多样性（可伸缩性）的训练 / 测试数据库。
Jun, 2022
本文提出了一种联邦学习机制，结合混合卷积神经网络体系结构，并利用图形神经网络和 LSTM 层中的本地相关性和数据时间模式，以在分布式设置中灵活且高效地训练 FDIA 检测器，同时保护客户的隐私。
Jun, 2023
研究使用深度学习技术检测注入数据度量值的方法，运用卷积神经网络与长短时记忆网络，观察数据测量和网络水平特征以共同学习系统状态，以此有效估算系统变量，实验结果表明，这种深度学习算法可以识别传统状态估计坏数据检测无法检测到的异常。
Aug, 2018
无监督的健康状况监测在复杂工业系统的故障检测中起着重要作用。本研究通过对自编码器和输入 - 输出模型进行综合比较，探索了这两种基于残差的方法在健康指标构建、故障检测和健康指标解释方面的性能。结果显示，输入 - 输出模型在潜在故障类型和可能故障部件的解释方面具有更好的可解释性。
Sep, 2023
该研究提出了一种基于自监督遮掩采样蒸馏方法的视觉 Transformer，它可以在不需要持续通信的情况下进行，同时使用特定于视觉 Transformer 的加密方法来增强隐私保护，经过对两种医疗数据和两种不同下游任务的广泛实验表明，该方法具有比现有的分布式学习策略和基线微调方法更好的性能，而自我监督模型可以具有对模态的一般语义理解能力，证明了其作为各种医疗任务的任务不可知基础模型的潜力，拓展了在医学领域的适用性。
Jan, 2023
本研究探究了配备口罩检测器的现代人脸识别系统在大规模戴口罩时的潜在漏洞，并提出了一种新的任务 —— 生成逼真的对抗性口罩面孔以欺骗两个系统，经过实验后发现对近期的深度学习人脸识别系统来说具有破坏性。
Jan, 2022
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
本文提出了一种名为 MAD 的新型自监督学习任务，用于多变量时间序列异常检测。该方法通过随机掩蔽输入数据一部分，使得模型在训练中通过学习预测掩蔽的数据能力，比传统的左到右预测任务取得更好的异常检测结果。
May, 2022