第五篇《深度学习在故障诊断领域中的研究现状与挑战》论文阅读笔记

[1]任浩,屈剑锋,柴毅,唐秋,叶欣.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策,2017,32(08):1345-1358.
深度学习在故障诊断领域中的研究现状与挑战

一、文章本身

文章框架

- Primary thesis （文章主旨—文章想说啥？如果不明显就自己去总结）

1、首先介绍几种典型的基于深度学习方法实现工业系统故障诊断方法；
2、然后对基于深度学习实现故障诊断的主要思想和建模方法进行描述；
3、最后总结和讨论了复杂工业系统故障的特点，并探讨了深度学习在实现复杂工业系统故障诊断方面所面临的挑战，展望了未来值得继续研究的方向。

- Critical components of the argument that support the thesis (文章通过哪些支持性的的论述去argue 这个主旨？)

无

- Basic propositions/elements of the theory or framework （文章中理论框架的核心组成都有什么？基本的命题假设有哪些？）

见框架图

我能从本文学到的

1. 有哪些重要的观点你想要记住，或是将来可能会引用到 （key citations）;

CNN是一个典型的前馈神经网络
（1）实质：是构建多个能够提取输入数据特征的滤波器，通过这些滤波器对输入数据进行逐层卷积及池化，逐级提取隐藏在数据之中的拓扑结构特征，随着网络结构层层深入，提取的特征也逐渐变得抽象，最终获得输入数据的平移、旋转及缩放不变的特征表示。
（2）主要特征：结合稀疏连接、权重共享、空间或时间上的降采样。

• 稀疏连接通过拓扑结构建立层与层之间非全连接空间关系来降低训练参数的数目；
• 权值共享能够有效地避免算法过拟合；
• 子采样充分利用数据本身包含的局部性等特征，减少数据维度，优化网络结构，且能保证在一定程度上的位移不变性。
  

2. 有哪些结论你将来可能用到；

深度学习故障诊断的挑战性问题

1.【问题】如何将深度学习与现有欠故障机理相结合,解决复杂工 业系统故障的“相关性”问题,实现系统运行状态特征的有效提取?
【可能的解决方案】构建实验仿真分析平台,注入不同类型的故障,得到不同故障对应 的仿真信号,利用RNN实现每个故障特征信号的预测,进而与现有量测到的系统状态信号作残差,通过设定阈值实现故障检测,以此实现特征提取与故障机理的映射。

2.【问题】针对早期故障、微弱故障、复合故障、如何晚上系统故障等的诊断方法？
【可能方案】目前针对此复杂性故障有效 的解决方案就是增加传感器,力求通过增加监测手段实现该类复杂性故障的检测与诊断。

3.【问题】 深度学习模 型的训练速度远比线性模型慢，如何优化调整模型构建过程中的模型参数？
【可能方案】对于模型参数优化,可能的方法是利用小样本故障数据,构建重构误差、分类误差、输入输出误差等实现模型参数训练的优化性约束性调整。

4.【问题】如何建立基于深度学习的分布式故障诊断算法？
【可能方案】现分布式深度学习故障诊断 模型就是将RBM、AE等分布于各个子系统子设备 中,实现初级故障特征提取等,将深度学习神经网络 融合于现有复杂工业系统中,通过系统结构来确定 分布式深度学习网络的拓扑结构,采用量测数据驱 动整个深度学习网络,通过实际目标监测参数值与 网络输出值进行对比,进行实现整个系统的故障诊断。

3. 有哪些方法你将来可能用到；

无

4. 文章在研究设计上有哪些不足?有没有更好的改进方法？

无

5. 文章让你想到了哪些观点类似或者完全不同的其他文章？

做英文演讲的slide中有一篇reference在该技术（CNN）未来发展的困难和可行绝决方案较为类似A comprehensive review on convolutional neural network in machine fault diagnosis

总结

1. 你对文章中观点、论述、方法、讨论等部分有什么想法和critique？

做了个基于这个方向的slide（用于英语演讲），主要框架如下。