通过适应 DeepSAD 方法进行 Health Index 的构建，我们利用 DeepSAD 嵌入作为条件指标来解决可解释性挑战和对系统特定因素的敏感性，同时引入多样性损失以丰富条件指标，通过交替投影算法和保序约束将 DeepSAD 嵌入转换为具有递增趋势的标准化的 Health Index，在 PHME 2010 铣削数据集的验证中展示出有意义的 Health Index 估计结果，并将我们的方法应用于使用高频电压监测热喷涂涂层的磨损状态，为更易获取和可靠的 Health Index 估计提供了机会，尤其是在无法获得真实 Health Index 标签的情况下。

Dec, 2023

使用 Long Short Term Memory 编码器 - 解码器方案获取多传感器时间序列数据的无监督健康指数来进行设备剩余寿命估计。

Aug, 2016

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

开发了一种考虑驾驶行为的特征提取方法，通过评估在真实驾驶情况下特征的获取概率，实现了可靠的电池健康监测，并突出了在开发面向特征的电池健康监测算法时平衡性能和实用性的重要性。

Sep, 2023

通过检测设备的变化点，并利用所学习的变化点来提高剩余使用寿命估计的准确性，该论文提出了一种基于时间动力学学习的新模型。通过将传感器数据分解为可推广并代表多种工况下正常操作动态的融合时间相关特征，来进行离线模型开发。从这些学到的时间特征动态构建监控统计和正常行为控制限阈值，用于无监督检测设备级别的变化点。然后，使用这些检测到的变化点来标记降解数据，以训练基于 LSTM 的剩余使用寿命估计模型。在在线监测期间，监测查询设备的时间相关动态是否超过离线训练得出的控制限。若检测到变化点，则使用训练有素的离线模型估计设备的剩余使用寿命，以进行早期预防措施。在以 C-MAPSS 涡轮风扇发动机为案例研究的情况下，该方法相比不考虑异质变化点的现有 LSTM 基准模型，将准确性提高了 5.6％和 7.5％（针对六种工况的两种情况）。

Jan, 2024

本研究系统比较了半监督学习方法在液压系统异常检测中的应用，设计了一种基于极限学习机的半监督 HELM 模型，并证实其在半监督方法中具有卓越的性能。

Jun, 2023

应用深度学习模型来矫正与解混合光谱，以提高荧光引导的神经外科中的高光谱成像 (HSI) 技术，结果表明深度学习模型能够更准确地估算荧光素 (PpIX) 的浓度，进一步改善脑肿瘤切除手术的效果。

Feb, 2024

本文提出一种应用于时间序列回归模型的 XAI 方法的关键性和比较式修订，以探索这些方法的有效性，并比较它们之间的性能差异，结果表明 GRAD-CAM 是最强大的方法。

Mar, 2023

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

本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

Jul, 2019