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

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

为了准确预测船只远场噪声，本研究提出了一种融合海底地形数据的新型条件卷积神经网络，通过将该架构整合到持续学习框架中，希望将模型推广到全球各地海底地形的不同情况。该架构能够有效捕捉变化的海底地形下的传输损耗，可集成到水下辐射噪声的自适应管理系统中，提供近场船只噪声源与海洋哺乳动物所在位置接收到的噪声之间的实时端到端映射。

Apr, 2024

设计了基于深度学习的系统来分析工业机器产生的声音信号，将声音信号转换为 Mel 频谱图，并使用 DenseNet-169 模型对谱图图像进行分类，结果表明该方法在不同的声音噪声比水平下实验得到了 97.17% 到 99.87% 的准确率。

Dec, 2023

本文提出了一种名为逻辑卷积神经回归器的神经符号模型，通过将卷积神经网络的处理能力与直接将真实逻辑引入模型的互动控制相结合来检测悬臂梁中的损伤，并在实验中证明了该混合方法的优越性。

May, 2023

研究中使用基于深度学习和 CNN 技术的缺陷检测方法，同时设计参数和 Taguchi 实验以建立自动化检测系统来提高紧固件标准化质量控制。

Jul, 2022

本研究提出了一种基于卷积神经网络的弱标记音频数据分类框架，可用于转移学习，并证明了该方法对于领域和任务适应都具有有效性，此外还展示了该方法有助于捕捉语义含义和关系。

Nov, 2017

开发了一个用于风力涡轮机发电机轴承故障分类的深度学习模型，通过使用来自五种预定义故障类型的音频数据进行构建和训练。该模型在训练样本上表现出色，验证过程中也展示出优秀的泛化能力，对于测试样本，模型的分类性能出色，整体准确率超过 99.5%，正常状态的误报率低于 1%。该研究的发现对于风力发电的故障诊断和维护提供了重要支持，并具有提高风力发电的可靠性和效率的潜力。

Mar, 2024

在制造业质量控制阶段，缺陷检测是最重要且具有挑战性的任务之一。本文引入了一种张量卷积神经网络（T-CNN），并在罗伯特・博世公司生产的超声波传感器组件的实际缺陷检测应用中对其性能进行了研究。我们的量子启发式 T-CNN 在减少模型参数空间的基础上操作，从而大幅提高了相当于 CNN 模型的训练速度和性能，同时又不损失准确性。具体而言，我们展示了 T-CNN 如何以质量评价指标衡量的同等性能，在参数数量减少了 15 倍的情况下，训练时间加快了 4% 至 19%。我们的结果表明，T-CNN 大大优于传统人工视觉检测的结果，在制造业的实际应用中具有重要价值。

Dec, 2023

提出了一种基于掩膜区域卷积神经网络（Mask Region-based CNN）的系统，用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割，并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。

Aug, 2018