通过使用两步深度学习方法，本文试验缺陷检测准确性，在风力涡轮片背景中生成真实感图像并训练定制的 U-Net 架构来分类和分割缺陷，为无人机等航空器的自主和远程检查提供合理的缺陷检测准确性。

Dec, 2023

使用无人机侦测领域中的独立成分分析（ICA）机器学习方法可以有效地探测各种声音信号，包括来自鸟类、飞机、雷暴、雨、风和无人机等，并通过功率谱密度（PSD）和 PSD 的 RMS 值检测其是否为业余无人机，是一种在多声源干扰下探测一个或多个业余无人机的独特技术。

Feb, 2020

本研究提出了一种深度学习模型，利用新识别的特征（NIF）作为输入和利用域自适应技术来减少仿真到现实的差距，进而实现了四旋翼螺旋桨故障检测方面的模拟与现实诊断手段之间转换的目的。实验结果表明，提出的方法在检测螺旋桨故障方面具有高达 96% 的准确率，目前是一种可靠且高效的方法。

Feb, 2023

基于无人机拍摄的图像，提出一种基于深度学习的视觉方法来自动识别跑道和滑行道面的缺陷，利用合成与实际图像训练模型能在真实应用场景中取得更好的结果。

Jan, 2024

通过构建一个包含机械故障声音数据集的深度神经网络故障分类器，利用多任务学习和方向分类，成功地对无人机进行了机械故障的检测，相比于单一任务方法，该多任务方法在用较少的训练数据的情况下也能更好地分类故障。

Apr, 2023

利用声音和振动信号的转移学习方法来解决实际运行场景中训练数据与真实数据之间的分布差异，并通过预训练和微调的骨干结构与基于深度神经网络的分类器相结合，取得了较好的故障诊断性能。

Oct, 2023

应用因果机器学习方法，通过分析无人机的轨迹而无需专用传感器，展示了估计无人机风环境的可能性。研究了三种不同的风环境，探索了优化无人机操纵以估计风条件的不同策略。该方法可用于设计在恶劣天气条件下的最佳路径，并避免使用增加无人机重量且影响功能的专用传感器。

Jul, 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

针对风能产业中风力发电机叶片破损的问题，提出了一种基于机器学习的破损检测模型，并探讨该模型在生产中实际运用的性能和效果，借助该模型可以降低风能发电的运营成本。

May, 2022

本文使用深度学习构建了一个可靠的风力涡轮机叶片损伤检测模型，降低了风电成本并增加了可持续风能发展。

Jul, 2022