- 连续测试时间域适应以有效检测不断变化的工作条件下的故障
我们的研究工作介绍了一种新颖的连续测试时域自适应异常检测方法，通过解决领域变化和有限数据代表性问题，实现了早期稳健的异常检测，能够有效适应不断变化的操作条件，尤其对于数据稀缺的系统具有显著改进，并在故障检测中表现出增强的准确性和可靠性。
- 基于物理信息的 Real NVP 卫星电力系统故障检测
提出了一种基于人工智能的故障检测方法，并在 NASA 实验室中创建的 ADAPT 电力系统数据集上评估了其性能，结果表明我们的方法优于现有的故障检测方法，适用于解决卫星 EPS 子系统故障的独特挑战。
- 基于模式的时间序列风险评分用于异常检测与警报过滤 —— 预测性维护案例研究
快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用，通过与现有基准方法进行对比，验证了其普适性和稳健性。
- 基于信息驱动策略的故障检测和监控：方法、理论和应用
基于新颖的概念漂移检测器，我们提出了一种以信息驱动的故障检测方法，适用于识别加性噪声模型的输入输出关系中的漂移（即模型漂移），该方案不需要事先的故障示例，并且可以在系统模型的大类上无分布地应用。通过与故障检测、模型漂移检测以及两个随机变量之 - 自编码器辅助的特征集成网络用于潜在故障
利用深度自动编码器辅助特征集成网络（AE-FENet），改善了对微小振幅初始故障的检测性能，实现了在 Tennessee Eastman 工艺中所发现的故障 3、9 和 15 的高准确率，从而在故障检测领域取得了显著的性能提升。
- 准确故障检测和诊断的可解释人工智能技术综述
制造业中的深度学习模型的不透明性对故障检测和诊断构成了重要挑战。本文对可解释人工智能（XAI）的工具和技术进行了综述，探讨了各种 XAI 方法在增加人工智能决策透明度方面的作用，特别是在涉及人类的关键情景中。同时，我们还讨论了当前的局限性以 - 工业碱性水电解槽动态故障检测与诊断的变分贝叶斯字典学习方法
提出一种新的稳健动态变分贝叶斯字典学习（RDVDL）监测方法，以提高碱性水电解（AWE）操作的可靠性和安全性。RDVDL 采用稀疏贝叶斯字典学习来保留 AWE 过程的动态机制信息，从而容易解释故障检测结果。为了提高对测量不确定性的鲁棒性，提 - 利用不完整数据的状态监测：一种集成变分自编码器和距离度量框架
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 - 连续点位波测量与生成型人工智能进行的电网监测和保护
本文提出了一种基于生成式人工智能（AI）、机器学习和统计推断的新一代电网监控和控制系统，借助最新技术进展，在监控和控制范畴超越了基于监控控制和数据采集（SCADA）及同步相量技术的早期系统，我们通过联络连续或逐点测量数据库（CPOW）流数据 - 基于压缩机的机器中的时间序列分析：一项综述
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。
- 利用 LSTM 深度学习技术实现加速器粒子轨道异常检测
发展了一种基于机器学习的故障检测方法，利用 LSTM 自编码器来捕捉正常模式并预测轨道锁定系统中监测传感器的未来值，当预测误差超过阈值时检测到异常。使用连续电子束加速器设施的监测数据进行实验，结果表明，使用单个轨道锁定控制系统组件的监测数据 - 应用机器学习和信号处理技术进行感应电机故障诊断
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 - 交通诊断数字孪生系统的系统性映射研究
数字孪生在交通领域的诊断能力有限，需要进一步研究以实现诊断推理。
- 有限资源环境下自动机器状态监测和维护系统的设计与实现
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%， - 生成对抗小波神经运算器：多变量时间序列数据的故障检测和隔离应用
提出了一种新的无监督深度学习方法，即生成对抗小波神经算子（GAWNO），用于多元时间序列过程的故障检测和隔离。该方法结合了小波神经算子和生成对抗网络（GANs）的优势，有效地捕捉底层系统中不同变量的时间分布和空间依赖关系，并通过基于重构误差 - 工业厂房智能状态监测：方法概述与不确定性管理策略
通过对工业系统的智能化监测和故障检测诊断方法进行综述，本文讨论了针对 TEN 东姆过程这一开放源码基准的工业装置监测、故障检测和诊断中最常用和最先进的深度学习和机器学习算法，并分析了每种算法的优缺点。同时，该研究比较了利用 TEN 东姆过程 - 旋转机械可靠故障检测中声音与振动的探索
用振动信号进行故障检测已成为各行业预测性维护的最终目标。本研究通过提供包含声音和振动数据的新基准 Quatar 大学双机轴承故障基准数据集 (QU-DMBF)，揭示了振动信号故障检测的局限性，并提出了第一种基于声音的故障检测深度学习方法并与 - 面向 MLP 类的有效视觉故障检测的空间动态蒸馏
基于多层感知器 (MLP) 的空间动态蒸馏框架，用于货运列车的视觉故障检测，解决了传统 CNN 中空间不变性和池化层建模不足的问题，从而提高了实时检测精度和降低了计算成本。
- 工业机器故障诊断的深度神经网络声音信号分析
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。
- 基于 GNN 的电力网动态特性评估及知识图谱应用
通过图神经网络（GNN）发展了一种检测电力网故障的新方法，旨在增强网络运维中的智能故障诊断能力，该方法借助特殊的电气特征提取模型和知识图谱，通过整合节点的历史和未来状态来辅助当前故障检测，并通过对神经网络层各个节点输出特征进行相关分析验证了