答辩在线视频

那行 那下面咱们就开始

芦维宁同学的

博士学位论文答辩会

首先我代表系学位委员会

宣读一下答辩委员会的组成

张涛清华大学自动化系

汪国平教授 北京大学

黄凯奇研究员 中科院自动化所

王天舒教授 清华大学

梁斌教授 清华大学

好 下面由答辩秘书

介绍一下芦维宁同学的基本情况

好 各位老师下午好

答辩人芦维宁

他的基本情况如下

芦维宁 甘肃定西人

本科阶段就读于

复旦大学物理学系

2011年考入清华大学自动化系

攻读博士学位

导师为梁斌教授

攻读博士期间芦维宁同学

学位课平均成绩86分

按要求完成了全部培养计划

专业方向为故障诊断技术研究

博士阶段获自动化系

综合奖学金一次

发表SCI和EI论文八篇

公开专利两例

以上是芦维宁的基本情况

介绍完毕

好 下面就请芦维宁同学

报告一下论文的主要内容

时间是30到40分钟

好 各位老师 各位同学下午好

我是自动化系的博士生芦维宁

导师是梁斌教授

感谢各位前来参加

我的博士生学位论文答辩

我的答辩题目是

不完备数据条件下的

深度神经网络故障诊断技术研究

我此次的答辩内容

主要分为三个部分

首先我对我这个本次论文的

立题的背景和研究意义

做一个介绍

随后将会详细展开

本课题的研究内容

最后对本课题做一个总结

并对研究成果

做一个相应的展示

现在像高铁 飞机 卫星等的

工业系统便捷了我们的出行

保障我们的随时互联

极大提升了我们的生活水平

它们已经是我们生活中

不可缺少的一部分

但是系统故障的发生

往往带来了巨大的经济损失

或者人员伤亡

而故障诊断技术

是保障复杂系统运行安全的

一种重要技术

所以它的研究是具有

非常重要的意义

现阶段故障诊断方法

主要分为两类

一种是基于模型的故障诊断方法

其优势在于可以清楚地解释

故障发生的原因

但其劣势在于我们需要对

系统的工作原理和它的工作机理

有个非常详细的了解

而另外一种故障诊断方法

是基于数据的故障诊断方法

其优势在于它无需了解

整个系统的详细工作机理

只需要有数据和任务目标

就可以灵活的进行一个

映射模型的建模

对问题做一个解答

但它的劣势在于它的映射模型

受数据质量参差不齐的影响较大

来看一下现在我们所用的

一些复杂系统

它们基本上都是系统集成度高

然后它的

我们很难建一个精确的模型

而且随着传感器技术的发展

现在很多系统的数据

我们都可以方便的收集到

并且随着人们对数据价值的

重视程度的提升

数据收集已经成为

系统运行的常规任务之一

所以就是这些

实时收集到的海量数据

为基于数据的故障诊断方法研究

带来了机遇

但同时这种工况数据

也为故障诊断方法的研发

带来了挑战

首先这类工况数据它来源广泛

数据量大

而且它的数据价值密度较低

也就是说我们只有通过分析

一段的数据

才能有一个比较有意义的结果

因此我们要利用

工况数据做研究

首先需要解决的就是

如何提取高维低质

故障数据的特征

另外数据的不完备特征

也是工况数据的

一个比较典型的特点

本文主要关注以下几类

工况数据不完备的情形

第一个是故障样本数量不完备

它指的就是

我们收集到的故障数据

并不能完全涵盖

该类故障的所有表现形式

因此它会导致一个

典型的小样本故障诊断问题

其解决该类问题的关键点

是如何解决小样本

故障数据的特征表达问题

本文关注的另外一个不完备情形

是故障样本类别

不完备的情形

也就是说我们在有些情况下

某类的这个故障数据难以收集

此时的故障诊断问题

它就转化为

无监督的故障诊断问题

其研究的难点

就是如何对未知类别故障

做特征提取

我们关注的最后一个不完备情形

是目标场景数据的不完备

它是由于应用场景的不可控

导致训练集和测试集的

数据分布不一致

从而引起了一个典型的迁移问题

解决这类问题的关键

也是在寻找这种数据的

迁移特征

所以可以看到

本文所关注的几个问题

都是需要找寻一个

可以根据任务需求

进行拓展的

特征提取方法

所以本文是选择了

基于深度神经网络的

特征提取方法 并以此为基础

开展研究小样本故障诊断模型

无监督故障诊断模型

以及迁移故障诊断模型

根据上述研究思路

本文也确定了相关的研究内容

并与这个论文的

各章节做一个匹配

首先在第二章中

本文将会研究故障诊断过程的

一个特征提取问题

随后各章节将会依次研究

小样本故障诊断问题

无监督故障诊断问题

以及迁移故障诊断问题

如前所述

我们本文所选用的特征提取方法

是深度神经网络

深度神经网络是一种

处理高维数据信息的

无监督特征提取网络结构

它的核心理念是逐层非监督

怎么理解呢

就是从原始数据开始

我们就用无监督的特征提取方法

对它做一次特征提取

获得第一层特征

然后我们拿这层特征输入

同样利用一个

无监督的特征提取方法

在它基础上提取第二层特征

如此反复这个过程

输出最终我们希望得到的

特征输出

这是一个典型的

利用深度神经网络

做特征分析的例子

它的输入图象是人脸特征

深度神经网络中的

低层级网络结构

它通过对人脸图象里边的

象素点的信息做一个抽象优化

得到一个线条的信息

然后深度神经网络

这个中层的隐含层

它通过对线条特征的抽象

得到一个轮廓特征

然后高级的这个

深度神经网络结构

它通过对中层的这个轮廓结构

做一个再次抽象

得到一个可辨识的结构

最终达到一个我们想要的

特征分析的目的

可以看到就是选择

逐层特征提取方法

是构建深度神经网络的

重要环节之一

本文根据我们所处理的

故障数据的信号特点

选择了基于自编码机的

特征提取模块的

深度神经网络结构

自编码机是一个典型的

自编码机是一个三层的网络结构

包含一个输入层 隐含层

和一个重构层

输入层通过一个非线性映射

得到隐含层的数据向量

然后隐含层的数据向量

通过映射得到重构层的数据向量

当我们要求这个输入层和重构层

完全相等的时候

那么我们就认为这个隐含层

已经包含了所有输入层的特征

那么我们就可以认为

隐含层就是输入层的

一种特征表达形式

那么就完成了一个

无监督的特征提取过程

基于自编码机的

深度神经网络构建过程如下

就是首先我们训练一个自编码机

它是一个三层结构

训练完成之后

我们去掉它的重构层

拿这个隐含层

作为下一个自编码机的输入

然后训练第二个自编码机

训练完成之后

我们去掉第二个重构层

那么我们就得到一个

相当于两层结构的

深度神经网络

为了论证深度神经网络

在处理故障信号时的

特征提取能力

本课题分别从无监督条件下的

深度神经网络故障特征提取能力

有监督条件下的特征提取能力

以及基于深度神经网络

特征提取方式泛化能力

三个方面进行了一个分析

本节所用的深度网络结构

是之前所述的自编码机的结构

一共选了两个隐含层

节点分别是2000和1000

这部分我们用的数据集

是一个故障诊断领域的

公开数据集

它包含了多个位置 多种尺寸

多个负载的故障轴承数据库

根据我们前面的描述

深度神经网络

它是一个逐层提取特征的

网络结构

所以我们为了论证

它的特征提取能力

所以在这节

我们将它的原始数据

和它逐层提取到的特征

做一个可视化

然后来对比

它的特征提取能力

首先我们选择了

九类故障数据

首先这是原始数据

在三维空间中的一个特征分布

可以看到原始数据

在空间中它是有很多交叠

所以我们很难做一个

直观的一个辨识

它是哪一类故障

当我们用深度神经网络

做第一次特征提取之后

可以看到这是

不同类别的故障

已经开始在空间中有一定聚合

但是它仍有部分特征

是互相交叠的

于是我们在这一层基础上

再做一次特征提取

那么此时可以看到

不同类别的故障已经在空间中

具有比较清晰的一个辨识度

所以通过这样的一个实验

我们可以证明

无监督条件下的

深度神经网络方法

确实能够学习到

原始高维故障数据的

一个可辨识表达

随后我们分析这个

有监督条件下深度神经网络模型

特征优化能力

有监督条件下

我们需要加入故障的

数据标签信息

那么我们就设计了

典型的一个分类模型

它主要包含两部分

一部分是深度神经网络

作为特征提取模块

另外一部分是用Softmax回归模型

做一个故障辨识模块

相比于这个无监督情况下的

特征提取

有监督情况下

我们需要根据分类误差

微调特征提取部分的

模型参数

首先我们用同样的一个

可视化的方法

将有监督条件下的

深度神经网络特征输出

和无监督条件的

深度神经网络特征输出

做一个对比

左边这个图是无监督条件下的

右边这个图是有监督条件

可以看到在有监督条件下

我们做了一个特征优化之后

不同类别的数据

还是做了一个聚合

使得我们可以更加清晰的

对它做一个辨识

随后我们量化的做了一些分析

首先表一

是我们用不同特征提取方法

加相同的分类器

做故障分类

可以看到就是

在分类器相同的情况下

基于深度神经网络的

分类效果是最优的

随后我们在表二中

对已有的一些

比较经典的方法做了对比

可以看到就是

我们的方法

从辨识率上来说是比较高的

而且从分类类别数目来说

也是比较好的

在本小节最后一部分

我们对基于深度神经网络

特征提取方法泛化能力

做一个分析

在本课题里边泛化能力具体指

对不属于训练集的

故障类别数据时

深度神经网络表现出的

特征提取能力，在这个过程中

我们能否将未知类别的故障

和已知类别的故障分开

能否将未知类别的故障

做一个有效的聚类

是我们主要考察的一个能力

所以根据这样的要求

我们设计了这样一个

故障诊断场景

也就是训练集

我们只包含部分故障类别的数据

本文一共选了五类

然后在测试集中

包含所有故障类别的数据

一共是七类

诊断任务的诊断目标是

在测试阶段识别已知类别的故障

隔离未知类别的故障

然后设计了以下一个

基于深度神经网络的故障聚类模型

结果得到这样一个实验结果

就是对于已知故障

类别故障分类正确率达到100%

然后对两类这个未知类别的故障

第一种我们隔离成了

两个独立的新类

第二种隔离成了一个独立的新类

根据这样的实验

就表明了深度神经网络

它的特征提取方式

是具有一定的泛化能力

对本章内容做一个小结

我们首先是完成了一种

用于故障信号特征提取的

网络结构

另外我们从无监督条件下的

特征提取能力

有监督条件下特征提取能力

以及故障特征提取方式的

泛化能力

三个方面对深度神经网络的

故障特征提取能力做了分析

为后续工作展开奠定了基础

在完成对

特征提取能力分析的基础上

本课题将首先展开

小样本故障诊断问题的

这个研究方面的一个论述

小样本故障诊断问题

是由于样本数量不完备

导致不同类别的

数据特征表达不确定

从而使得传统的辨别模型

无法有效的对不同类别的故障

做一个区分

这个图中蓝色系的这个图例

是一种故障

这个褐色系的是另外一种故障

其中深色的是我们已经收集到的

浅色的是我们

未收集到的数据

如果按照传统的辨识模型

那么它就会生成这样一个分类面

对已有的数据做一个区分

那这样的话就会对那种

没有收集到的

这种浅色的样本做一个错分

为了解决这样的问题

现在比较常用的一种方法是

根据已有样本

建立它的一个数据分布

即建立它的生成模型

这样的话就是我们根据

已有的数据可以生成

他的数学分布

这样也可以更好的做一个区分

基于正相关决策的

贝叶斯生成模型

是一种非常经典的生成模型

它通过这个载荷矩阵W

可以计算出这个观测变量的

隐含变量

同时它可以使隐含变量

具备这个稀疏特性

这也是我们非常看重的一点

因为在故障特征

表达的过程中

故障特异性特征

一般都是稀疏的

但是它又不能直接应用于

小样本故障诊断问题里边

主要有这样几个问题

首先它是假设观测变量

服从的是正态分布

这在故障诊断场景

并不是所有通用的

故障诊断二值分布

或者是计数分布

都是比较常见的

然后第二个问题里边

该模型它没有考虑

数据之间的时空关联性

因为我们知道工况数据收集

通常

它是具有时序性的

所以它在处理这样的问题中

能力是不足的

第三个问题它面对

高维复杂数据的时候

也是我们本文关注的工况数据

它的载荷矩阵W

计算起来计算方法非常复杂

而且效率比较差

最重要的一点

它的特征表示能力不足

所以根据这样的问题

本文首先重新定义了

它的观测变量的模型

通过选取适当的

似然模型P

和它的这个可微函数F

可以把它的观测变量

拓展到任意分布

随后我们对这个隐含变量

增加了这个隐含变量的

一个关联性推理项

这样就可以考虑到

数据关联性的一个联系

第三个为了突破

问题三的限制

其实问题三

它的核心问题

就是模型的一个训练问题

和一个特征表达问题

本文借鉴变分自编码机的思想

将这个贝叶斯过程

看成一个编码和解码的过程

它的编码过程

是从这个观测变量到隐藏变量

解码过程

是从隐藏变量到观测变量

同时我们也为这个编码过程

定义了这个近似函数

来代替它这个难以求解的

问题

然后最后得到这样一个目标函数

同时我们为了解决

这个数据特征表达的问题

我们对近似函数

是用深度神经网络

来做一个相关参数的确定

大概示意图是如这个图所示

因为这部分内容比较复杂

我就不再做详细展开了

在获得了上述这样一个

生成模型之后

我们相应的设计了一个

小样本故障诊断模型

其思路就是

对已有类别数据

分别做这个生成模型

然后当测试数据进来之后

逐一的利用这个生成模型

计算它的隐含变量

然后去找这个相似度最高的一类

最后确定一个它的故障类别

在实验结果部分

我们同样是选择

上节所述的那个轴承数据库

我们一共是选了六类故障样本

训练样本和测试样本

选的比是一比三

最后的结果是这样

就是可以看到我们的模型

相比常用方法

在解决故障问题时

有较好的效果

本小节做一个总结

就是针对

高维小样本故障诊断问题

存在的特征表达不确定性

及特征耦合问题

本文提出了一种

变分自编码机思想的

贝叶斯生成模型,它的优势在于

观测变量的分布

可以拓展为任意数据分布

模型具备分析时序数据

关联性的能力

第三,模型具有更好的

特征提取能力

最后我们提出了一种

小样本故障诊断模型

解决了相关的问题

接下来是本课题的

另一块研究内容

无监督条件下的

故障诊断问题研究

本文首先明确一下

本文研究的无监督故障诊断问题

是实际工况中

非常常见的

时序信号早期故障检测问题

时序信号早期故障检测问题

它的意思是就是在

我们只有这个系统

正常运行的数据的前提下

监测系统状态

预警系统的异常情况

该类问题的难点在于

早期故障特征

易与带有噪声的正常信号混淆

且时序信号特征

具有时间耦合性

我们不能仅凭单个值

来判断故障是否发生

而是需要对一段时间的行为

做一个分析

因此解决这类问题的时候

我们需要这样一个模型

它一方面要具备

提取早期故障特异性特征的能力

另外它也需要具备

对时序信号关联性分析的能力

因此本文提出这样一种框架

一种基于深度神经网络

加循环神经网络的模型框架

来解决这个问题

其中深度神经网络

是用来提取数据特征

然后循环神经网络

作为一种可以记忆

时间序列特性的神经网络

用来模拟这个系统的状态

但是在本文的结构里边

这两个部分

并不是一个简单的一个组合

我们需要在训练过程中

通过二者的相互制约

来调整这个参数

使得这个深度神经网络

所提取的特征

能够更好的表征系统的状态变化

首先为了验证我们这个框架

在解决

异常检测问题时的有效性

我们设计了一个

这样的一个模型结构

它的上层是基于

自编码机的深度神经网络

下层融合了RNN

我们对RNN

做了一个结构上的修改

使它更适合构建这个

单类数据的关联模型

另外我们提出了一种逐层训练

加多窗口微调的训练方法

来构建模型

这个模型的异常评判标准

是这个估计量

和这个提取量的一个差值

在结果部分我们选取了五种

不同类型的这个公开数据集

这五种数据集处理方式

都是一样的

我们选取其中一类数据

作为正常样本

其他类数据设为异常

在训练过程中

选用不同比例的

异常样本数参与训练

然后我们的评价指标

是用F1 Score

这个值越高意味着我们的

异常检测准确率越高

其中红色的线是本文模型

其他颜色的线

一共有六种

是现在常用的这个六种方法

可以看到本文模型

在大多数据集上

都是表现出了一个很好的性能

为了要进一步的说明

我们

做一个详细的举例

就是这个数据集

是一个时序视频事件检测数据集

拿第一行做一个例子

我们是要判断

这个方框里边这两个人

它的行为是会面

即是不是要碰面

因为我们的模型考虑到了

这个时序关联性

所以我们探测到

他们在碰面之后错开了

意味这两个人不认识

那我们对这个会面这个事件

就会打了一个比较低的评分

是红色框这个

而这个基准方法

它没有考虑到这个时序关联性

所以它认为他们俩在一起

就是一个会面的事件的发生

它的评分是比较高的

如我们在前面所述

我们对网络参数做了一个微调

我们对微调

对模型算法的一个有效性

做了一个展示

可以看到经过参数微调之后

我们的异常检测率都是有提升

说明我们的这个参数微调

确实是有效果的

上述这些工作

验证了所提框架

在解决异常检测问题的时候

是具有有效性的

那么我们就根据

早期故障检测问题自己的特性

重新建立了一个模型

建立了一个改进版的模型

早期的故障检测问题

它的特征在于

它早期故障特征不易提取

另外就是由于这个故障数据的

高维低质特征

导致数据里边有大量

长周期的模式特征

另外我们需要考虑

合理的报警策略

所以我们设计了

这样一个模型结构

是一个DNN加LSTM的

一个系统状态描述模块

加上一个故障报警模块

LSTM它可以更好的

描述系统长周期状态的变化

这是DNN加LSTM的网络结构

同样的我们也是对

LSTM结构做了一个修改

使它更适合构建

单类数据的关联性模型

并且我们同样用了

上节所用的逐层训练

加多窗口参数微调的

训练算法

在设计故障报警模块的时候

我们是基于

三个实际需求

设计了一个多模态的

故障报警模块

在实验结果分析部分

我们选用的数据集

是一个全生命周期的

轴承加速度数据

它记录了轴承从正常工作开始

一直到轴承失效

每隔十分钟采一秒的数据

一共采了984条数据

它的故障

目测的话

大概应该是发生在500左右

为了说明我们模型的有效性

我们首先对比了不同算法

对该系统状态变化的

描述能力

左图就是整个周期的

宏观上的一个显示

右图是450条数据到650条数据的

精细的显示

可以看到红色是本文模型

对系统状态的一个描述

其他线是另外一些常用方法

可以看到

本文的红线它可以更敏感的

感受到这个系统异常的一个变化

而且它可以比较持续

比较稳定的表征出这个系统

它往坏走的趋势

因为大家注意看

右图这条黑色的线

它在最初发现这个故障之后

然后它跌落下去了

也就是说它并没有

稳定的

表达故障异常变化的能力

随后我们进行了一个量化分析

通过对比故障报警点位置的方式

来比较多种异常检测算法的性能

可以看到相比于其他方法

本文模型可以尽早的

完成故障预警

其中S1模型 S2模型和S3模型

是本文模型的一个删减

S1模型我们去掉了特征提取模块

S2模型我们去掉了趋势预测模块

S3模型我们在训练过程中

没有使用多窗口参数微调

相比之下这三种

都比我们最后的模型结果要差

所以我们所设计的三种模块

三个模块都是发挥了

它自己的作用

对这块内容我们做一个小结

首先我们是针对

时序信号异常检测问题

存在的特征提取困难

时序信号具有时序耦合性的问题

提出了一种基于深度神经网络

加循环神经网络

融合的模型框架

然后在上述框架之下

提出了一种基于深度神经网络

加RNN的异常检测模型

并通过大量实验验证了

该框架在处理此类问题的有效性

第三根据早期故障检测

问题的特殊性

在上述框架下提出一种

基于深度神经网络

加LSTM的早期故障检测模型

完成对系统状态变化的精确描述

以及具备一定置信度的故障预警

最后针对本文模型结构

提出一种逐层

加多窗口参数微调的

模型训练算法

接下来是本课题的

最后一块研究内容

有关于迁移故障诊断问题

首先我们对迁移性做一个解释

迁移性是指在A工况下

训练数据的分析模型

在B工况下使用时

表现出来的性能

我们一般将A工况叫为源域

B工况称为目标域

常规来说源域的数据样本

和目标域的数据样本

具有同样的类别信息

但是数据分布不一样

举个简单的例子

比如我们要辨识这个物体

是否是显示器

训练集我们采用的是

这种正在工作

且背景比较单纯的显示器

但是我们的测试集

选用的是用背景比较复杂

且它是处于关闭状态的显示器

如果我们直接拿训练集

训练出来的模型

去进行辨识测试集中的屏幕

它可能会出现

性能下降的问题

同样的这种现象

在那个工业中也是非常常见

这两张图其实它是同一系统

在不同负载情况下的

不同负载情况下

同一类别的故障信号的表征

可以看到即使是同一类别故障

在不同负载情况下

它的表现形式也还是不一样的

目前迁移性问题的主要研究方法

有以下三种

首先第一种是寻找源域

和目标域之间的不变量

通过不变量

来解决这个迁移性问题

另外是寻找不同领域之间的

变换关系

将目标域或者将源域

直接映射到另外一个领域

第三种是将不同领域的数据

映射到共享特征子空间

在这个共享特征子空间

完成一系列任务

而我们的故障数据

具有它自己的特殊性

首先我们的故障数据信号

以信号数据居多

因此我们很难寻找到

领域中的不变量

另外它的数据特征

容易被噪声掩盖

所以我们需要采用特征提取步骤

然后再做下一步处理

另外目标域中

只有正常类数据可用

这也是一种非常合理的假设

根据以上这些因素

本文章沿用将不同领域数据

映射到共享特征子空间这种思路

来解决迁移性问题

提出了这样一个模型框架

就是以深度神经网络为基础

然后加任务相关的权值正则项

将原始数据映射到

共享特征子空间

具体来说我们使用DNN

做它的特征提取

然后加一个MMD正则项

就是将源域和目标域中

同类别的数据

在提取特征的时候

让它们提取到的特征尽量相似

但是我们发现在用这一项

加到这一项之后

整个权值项可能会变为零

此时它提出来的

源域和目标域特征都为零

它们也是一个

非常相似的结果

所以为了强化

故障特异性信息的

映射连接

我们加了一个权值正则项

最后诊断模型的

目标函数是这样

在训练过程中我们主要分三步

首先是用源域数据做一个初始化

然后利用源域数据和目标域

正常数据训练这个迁移模型

最后利用迁移模型

提取的源域数据特征

构建一个分类器

在结果中我们首先还是用了

这个轴承数据库

我们将源域数据

在0负载下的

不同故障类别的数据定为源域

将3马赫负载下的

数据定为目标域

同时我们选用了

多种常用的故障诊断方法

以及多种迁移学习方法

做一个结果对比

可以看到我们的

模型方法

它是取得一个很好的效果

而且值得注意得是

我们的DAFD-B模型

和DAFD-S模型

都是我们最终模型的一个简化版

它是分别取掉了权值正则项

和MMD项

可以看到我们设计的

这几个正则项

都是起到了功能

另外我们还利用

齿轮箱的故障数据集

在这个表里面

每一列是一个迁移场景

具体在此就不再详述

可以看到就是在大多数情况下

本文所提的模型

相比于同类方法

还是具有一定的优势

另外在这我向大家展示一下

迁移前后这个同类数据

在空间中的一个分布情况

以红黑这个图标

来做一个例子

红黑这个图例它是同类数据

只是它是不同域的数据

红色方框和黑色方框

是迁移前的数据分布

红十字图标和黑十字图标

是迁移后的

在空间中的一个数据分布

可以看到在迁移之后

同类数据

在共享特征子空间里边

的数据分布

确实是变得更加相似了

另外我们对模型参数的

鲁棒性也做了一个验证

横坐标

是MMD项的这个系数

纵坐标是权值正则项的系数

暖色系的方块

是有效的迁移结果

冷色系的方块

是无效的迁移结果

可以看到在一个

相当大的范围内

我们的这个模型

都是具有它的有效性能

该部分工作

我们针对实际应用中

存在的故障数据分布迁移问题

提出了一种

基于深度神经网络的

迁移诊断模型

提升了在应用场景

变化情况下的

故障诊断方法的可靠性

本模型设计数据分布正则项

以及权值正则项

在完成数据特征映射的过程中

防止数据的可辨识信息丢失

提出模型中相关参数的寻优方法

提升了模型的实用性

最后我们通过多种方法

实验验证了该模型

在解决该类问题中的有效性

接下来我对本文所有的工作

做一个成果总结

本文的主要创新性成果

有以下四点

首先、是针对时序小样本数据特征

提取问题 提出一种基于

变分自编码机思想的

贝叶斯生成模型

解决了类别特异性

特征表达不明确

时序数据关联性建模等问题

第二、针对无监督条件下的

异常检测问题提出了一种

深度神经网络

加循环神经网络的特征提取

加趋势预测异常检测框架

以及一种用于

构建该网络模型

和优化网络参数的逐层训练

加多窗口微调的训练策略

提升判断异常发生的准确率

三、针对早期故障检测问题的

特殊性

基于深度神经网络

加循环神经网络的异常检测框架

提出了一种

基于DNN加LSTM的

早期故障检测模型

最后针对迁移故障诊断问题

提出了一种基于深度神经网络的

迁移故障诊断模型

解决了故障诊断问题中

训练数据与目标应用数据

分布不一致的问题

有效的防止了同类型方法

在数据特征映射之后

出现故障识别率降低的问题

最后这是我博士阶段的

一些成果展示

目前是有两篇SCI已经被收录

然后还有一些会议

还有一些非一作的会议

我在这没有列出来

还有几篇公开的专利

谢谢大家