故障诊断直接开挂！超多论文发表方向！轻轻松松拿捏创新点！

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。

故障诊断发论文的方向：可以结合不同的新技术，设置独特的实验场景，并在这个场景下击败其他方法，最后说清楚所设置的场景为什么有意义。

故障诊断应用领域广泛，故障也是多种多样，结合不同的数据集，找文章创新点很简单！

为了方便大家了解深度学习的故障诊断，小编整理了【故障诊断】相关论文。

需要的同学添加公众号【人工智能爱好者Hunt】 回复 故障诊断 即可全部领取

EverAdapt: Continuous Adaptation for DynamicMachine Fault Diagnosis Environments

文章解析：

在不断变化的环境中，无监督领域适应（UDA）在适应新领域时，往往会在以前见过的领域表现不佳，这种现象被称为灾难性遗忘。为了解决这个问题，本文提出了EverAdapt框架，专为动态环境中的持续模型适应而设计。

EverAdapt的核心是创新的持续批量归一化（CBN），利用源领域的统计数据作为参考标准化不同领域的特征表示。EverAdapt不仅保留了以前领域的统计信息，还能有效适应新场景。此外，研究者还设计了一个类条件领域对齐模块，以有效整合目标领域，并采用高效样本重放策略来增强记忆保持。实验结果表明，EverAdapt在动态环境中维持强大的故障诊断能力。

创新点：

1.遗忘预防模块：引入新颖的CBN技术，通过使用源领域的固定统计数据标准化跨领域批量统计，保持一致的特征表示，显著降低遗忘风险。

2.灵活的EverAdapt框架：该框架具有多样化适应性，支持多种适应和重放技术，适用于各种故障诊断场景。

3.经验验证：通过在真实数据集上的实验，展示了该方法的优越性，显著改善了最先进的方法，并有效缓解了遗忘问题。

需要的同学添加公众号【人工智能爱好者Hunt】 回复 故障诊断 即可全部领取

FedLED: Label-Free Equipment Fault Diagnosiswith Vertical Federated Transfer Learning

文章解析：

基于联邦迁移学习（FTL）的智能设备故障诊断受到学术界和工业界的广泛关注。然而，现有方法无法解决由实际代理不同工作条件造成的样本异质性和新部署设备的极端故障标签稀缺问题。为了解决这些问题，本文提出了FedLED，这是一种首个无监督的垂直FTL设备故障诊断方法，进一步利用无标签目标领域的知识进行有效的无监督模型转移。

大量实验结果表明，FedLED在诊断准确性（提高了4.13倍）和通用性方面明显优于最先进的方法。

创新点：

1.首次关注在异质特征空间和零目标领域故障标签的代理之间转移设备故障诊断模型的问题，这是工业中的常见瓶颈。

为此提出了一种基于无监督垂直联邦迁移学习（FedLED）的新故障诊断方法，适用于广泛的代理，特别是新部署的设备。

2.在FedLED中，提出了一种垂直联邦联合领域对抗适配的方法，将异质源特征和目标特征映射到公共潜在特征空间。为了提高零故障标签模型转移的有效性，构建了一种新型联合领域对齐，旨在最小化源标签分布与目标分类结果分布之间的距离，这与传统的伪标签方法显著不同，因为后者并未全面利用目标领域的信息。

3.本研究进行了广泛的实验，使用了不同真实设备（如两种机械和一个齿轮）的故障数据集，以全面验证研究方法的有效性。

实验结果表明，FedLED在各种垂直联邦迁移学习场景下的诊断准确率显著优于最先进的方法（高达4.13倍）。

此外，FedLED在不同的垂直迁移学习设置下（如样本/特征重叠比例）始终保持最高的诊断准确率，在更严苛的条件下（如没有样本/特征重叠）表现出更明显的优势。

需要的同学添加公众号【人工智能爱好者Hunt】 回复 故障诊断 即可全部领取