随着现代工业的不断发展，传统的故障诊断技术已经很难满足生产需要，而深度学习以其强大的特征提取能力和在模式识别上的独特优势，为解决这类工业需求提供了一种可能。因此，基于深度学习技术的智能故障诊断(IFD) 被提出。
目前该技术已被大量研究，各种新的组合创新模型层出不穷，因此需要发掘新的领域，寻找突破口，解决新的问题。
工业故障诊断就是当下热门的领域之一，这个研究方向创新点多，直观且易上手，对于想要快速入手产出研究paper的同学来说，是个非常好的选择。
这次我为大家整理了4篇故障诊断高分必读综述，希望对大家的学习有所帮助！
扫二维码，回复【故障诊断】
即可获得全部论文合集，全是pdf格式，非常方便！
想要的同学千万别错过！
Applications of machine learning to machine fault diagnosis-A review and roadmap
该论文从过去、现在、未来三个部分详细阐述了机器学习在机器故障诊断方向的发展过程及研究成果，非常值得初学者阅读学习和思考。作为一种解放人类劳动很有前途的方式，智能故障诊断(IFD)在过去的二三十年中备受关注。但其在未来的发展上仍然存在空白，该论文根据机器学习理论的进展，结合该领域的挑战，绘制IFD的路线图，对IFD的发展进行了综述，显示了其潜在的研究趋势并给出了未来的展望。
A systematic review of deep transfer learning for machinery fault diagnosis
深度学习等智能计算方法在机械故障诊断中的应用越来越受到关注，得益于深度学习模型的发展，故障诊断的准确性得到了显著提高。因此，为了提高智能故障诊断的泛化能力，由迁移学习和深度学习组件组成的深度迁移学习被开发。该论文综述了近年来深度迁移学习在机械故障诊断中的研究进展，阐述了深度迁移学习的主要成果、挑战和未来研究，为机械故障诊断领域深度迁移学习架构的选择、设计和实施提供了明确的方向。
扫二维码，回复【故障诊断】
即可获得全部论文合集，全是pdf格式，非常方便！
想要的同学千万别错过！
A survey on transfer learning
该综述性文章作为迁移学习入门者的必读文章，非常具有权威性和引用价值。目前数据挖掘和机器学习已经在许多知识工程领域实现了巨大成功，比如分类、回归和聚类。然而，许多机器学习方法仅在一个共同的假设的前提下：训练数据和测试数据必须从同一特种空间中获得，并且需要具有相同的分布。当分布情况改变时，大多数的统计模型需要使用新收集的训练样本进行重建。为了解决这类问题，迁移学习作为一个新的学习框架出现在人们面前。这篇综述主要聚焦于当前迁移学习对于分类、回归和聚类问题的梳理和回顾，讨论了其他机器学习算法，比如领域适应、多任务学习、样本选择偏差以及协方差转变等和迁移学习之间的关系。同时也探索了一些迁移学习在未来的潜在方法的研究。
Deep learning and its applications to machine health monitoring
该综述回顾和总结了深度学习在机器健康监测方面的新兴研究工作。主要从以下几个方面：自动编码器（AE）及其变体，受限玻尔兹曼机及其变体，包括深度信念网络（DBN）和深度玻尔兹曼机（DBM），卷积神经网络（CNN）和递归神经网络（RNN）。除此之外还对这些方法的性能进行了实验研究，讨论了基于深度学习的机器健康监测方法的一些新趋势，对该研究方向的未来发展有着很大的启示作用。
扫二维码，回复【故障诊断】
即可获得全部论文合集，全是pdf格式，非常方便！
想要的同学千万别错过！
