- 双梯度翻转网络用于多模态故障诊断中的单源域泛化
双梯度反转网络（DGRN）通过对未知模式的伪故障特征进行对抗训练和对比学习来实现域通用化，辅以对特征进行自适应实例标准化，从而达到对多模故障的有效诊断。
- 化工生产过程中的三层深度学习网络随机树故障诊断
通过整合深度学习和机器学习技术，该论文提出了一种名为 TDLN-trees 的新型故障诊断模型，结合了双向长短期记忆神经网络、全连接神经网络和 extra trees 算法的优势，用于处理复杂的大规模化工生产过程中的故障诊断问题，并通过对 - 海洋柴油发动机数据驱动的故障诊断技术调查
海洋柴油机故障诊断的重要性，强调子系统、常见故障和数据驱动方法在保证海洋柴油机维修有效性方面的最新进展。
- TDANet: 一种新颖的带注意力机制的时序去噪卷积神经网络用于故障诊断
提出了一种基于时间去噪卷积神经网络和注意力机制的故障诊断方法，能够在噪声环境中改善故障诊断性能，并通过对 CWRU 数据集和真实飞机传感器故障数据集的评估表明，在噪声环境下，该方法在诊断准确度方面明显优于现有的深度学习方法。
- 基于生成对抗增强的多尺度卷积神经网络模型的滚动轴承故障诊断方法
基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法，通过编码滚动轴承的时间域信号并生成特征图，扩展训练样本集并提取故障特征，应用注意力机制进行特征加权和深度特征提取，通过 softmax 分类器完成故障诊断，具有更好的泛化性能和抗 - 自动控制系统中的对抗攻击与防御：一项全面评估
将机器学习引入自动控制系统 (Automated Control Systems, ACS) 可以提升工业过程管理中的决策能力。然而，神经网络对于对抗性攻击的脆弱性是广泛应用这些技术于工业界的限制之一。本研究在使用 Tennessee Ea - 通过高斯混合模型进行域适应的最优输运
通过最优传输探索领域适应的研究，提出了一种新颖的方法，通过高斯混合模型对数据分布进行建模，从而解决连续最优传输问题。实验结果表明该方法在故障诊断的领域适应基准上具有最先进的性能。
- 时间序列扩散方法：用于振动信号生成的降噪扩散概率模型
通过改进 U-net 架构并结合扩散模型的基本原理，本研究提出了一种时间序列扩散方法 (TSDM)，通过前向扩散和逆向去噪过程对时间序列进行生成，并在振动信号生成、特征提取和小样本故障诊断等方面进行了实验证明。结果显示，TSDM 能够准确生 - TSViT：一种用于故障诊断的时间序列视觉变换器
传统的卷积神经网络（CNN）在捕捉时间特征（即振动信号随时间的变化）方面存在局限性，为解决这个问题，本文引入了一种新颖的模型，即时间序列视觉变换器 (TSViT)，专门用于故障诊断。TSViT 模型一方面通过集成卷积层对振动信号进行分段并捕 - 一种用于非平稳和空间相关故障诊断的稀疏贝叶斯学习方法及其在多工位装配系统中的应用
传感器技术发展、故障诊断、制造系统、空间相关稀疏贝叶斯学习和多站装配系统是该研究的五个关键词。该研究提出了一种新颖的故障诊断方法 —— 聚类空间相关稀疏贝叶斯学习，并通过数值和实际案例研究在一个易受以上挑战影响的多站装配系统中展示了其适用性 - 基于声音和振动信号的旋转机械故障诊断的新型迁移学习方法
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。
- MMEdgeFD：一种面向工业物联网的边缘友好漂移感知故障诊断系统
提出了一种适用于边缘部署的漂移感知权重整合（DAWC）方法，通过检测漂移和估计参数重要性，逐步为故障诊断模型提供强大的泛化能力，从而实现在边缘设备上减少模型微调的需求，并节省计算资源。与现有技术相比，DAWC 取得了更好的性能，并确保与边缘 - 轴承故障分类方法的深入研究
滚动轴承故障诊断是近年来备受关注的课题，该研究探讨了振动数据在故障分类模型开发中的重要性，并提出了真实场景中的模型开发考虑因素。
- 基于异构图的智能电网故障事件诊断的多任务学习
本研究提出了一种异构多任务学习图神经网络（MTL-GNN），用于检测、定位和分类故障，同时提供故障电阻和电流的估计。使用图神经网络（GNN）学习配电系统的拓扑表示和特征学习，以及一种基于 GNN 的新颖可解释性方法以确定配电系统中的关键节点 - 化学过程的跨领域故障诊断的多源域适应
故障诊断是过程监控中的重要组成部分；本文比较了单源和多源无监督领域自适应算法在跨领域故障诊断中的效果，并在化学工业中广泛使用的 Tennessee-Eastmann Process 的背景下证明使用多个领域进行训练可以明显提高分类准确性。
- 故障诊断的因果解缠隐藏马尔可夫模型
在现代工业中，故障诊断被广泛应用于实现预测性维护。本文提出了一种因果分离隐马尔可夫模型 (CDHM)，通过学习承载故障机制的因果关系，捕捉其特征以达到更强的表示能力。同时，我们利用时序数据逐步将振动信号分解为与故障相关和无关的因素，并通过重 - 电机故障诊断的基础模型
提出了一种基于自监督学习的神经网络模型来解决电动机故障诊断的问题，通过微调模型在不同故障情景、不同机器之间实现了超过 90％的分类准确度，具有广泛的潜力应用于现实世界中的跨机器故障诊断任务。
- 智能过滤辅助域对抗神经网络：一种用于噪声工业场景中故障诊断的无监督域自适应方法
该研究提出了一种名为 SFDANN 的智能滤波技术辅助域对抗神经网络，用于解决工业环境下的故障诊断问题，该方法不仅可在不同条件之间实现操作经验和故障特征的转移，而且还可以很好地适应工业场景中的噪声。
- 基于随机配置网络的滚动轴承云集成学习故障诊断
通过提出基于 SCN 的云集成学习的方法，包括云特征提取、云抽样和集成模型，以提高轴承故障诊断的准确性，结果表明该方法在少样本情况下表现良好。
- 广义失配故障诊断（GOOFD）框架的内部对比学习
利用内部对比学习技术和马氏距离，我们提出了广义的基于分布外故障诊断框架 (GOOFD)，用于集成检测、分类和新颖性故障诊断等多个诊断子任务，并在模拟和实际数据集上表明了该方法的有效性。