本文旨在利用 PRISMA 的方法对使用数据驱动的方法提高冷轧机多故障诊断的工业旋转机器进行系统文献综述，涉及传感器选择、数据获取、特征提取、多传感器数据融合等方面，探讨人工智能技术的应用及其面临的主要挑战和研究空白，并提出了未来研究的方向。

May, 2022

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

材料缺陷 (MD) 是影响产品性能并引起相关产品安全问题的主要挑战，通过机器学习 (ML) 技术在材料缺陷检测 (MDD) 中，围绕非监督学习、监督学习、半监督学习、强化学习和生成学习五个类别系统地调查了主要原理和技术，并聚焦于复合材料的缺陷检测技术，最后探讨了 ML 技术在 MDD 中的潜在未来发展方向。

Jun, 2024

通过对各种基于机器学习和深度学习的系统进行评估和比较，本研究证明了深度学习系统在电动机轴承故障检测任务中的优越性，并提出了一种鲁棒且通用的深度学习系统及其创新损失函数，通过在多个基准数据集上的实验验证了其在实际应用中的潜力。

Oct, 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

本文提出了一种基于机器学习的在线诊断系统，用于预测自动生产系统的状态和故障类型，并可将其分类为多类别。

Oct, 2022

研究了压缩机为基础的机器的多变量时间序列上运用的故障检测、故障预测、预测和变点检测的最近研究，并对所用算法进行了比较，突出了现有技术的不足之处，并讨论了该领域最有前景的未来研究方向。

Feb, 2024

使用机器学习和信号处理来检测和识别感应电动机故障是工业 4.0 背景下避免生产中断和停机的一种有价值的方法。本研究运用 MATLAB Simulink 进行感应电动机故障的检测和识别研究，开发了一个三相感应电动机模型，收集了正常和故障电机数据。我们应用快速傅里叶变换 (FFT) 检测健康和不健康状态，并使用决策树算法进行模型训练，最终得到约 92% 的准确率。这项研究为工业应用提供了具有价值的故障检测和分类方法。

Jan, 2024

本文是关于利用深度学习技术处理故障预测的应用场景、数据集不足和算法难定制等问题，探讨应用迁移学习和连续学习的方法来解决现实场景中故障预测问题的自适应性，并且为未来的研究提供最佳实践和通用的数据对比基准。

Jan, 2023

本篇论文利用 Transformer 神经网络提出了一个 T4PdM 故障自动分类器模型，以提高机械故障分析和诊断过程的性能，并比较了该模型与其他之前发表作品的表现，结果表明此模型在检测和分类旋转式工业机械故障方面具有优越性。

Apr, 2022