SCI写作之引言部分Introduction

Introduction包含的主要内容

1. 所研究领域的基本内容
2. 文献总结回顾
3. 分析已有研究的局限性
4. 阐明自己研究的创新点
5. 总结性描述论文的结构^{1 2}

举个例子

不妨以论文A novel deep autoencoder feature learning method for rotating machinery fault diagnosis为例进行分析说明。

介绍背景

1. 旋转机械在现代工业中被广泛使用。旋转机械的关键部件在高负荷，强冲击，高速度，背景噪音大的恶劣工况下不可避免地会出现各种故障[1]， [2]， [3] 。这些故障可能会造成巨大的损失和严重的人员伤亡。因此，自动，精确的旋转机械故障诊断已引起越来越多的关注。

文献总结回顾

2. 振动分析是一种用于机器状态监测 的流行技术 [4]。利用振动信号的机械故障诊断可以转化为模式识别问题，包括三个主要步骤：特征提取，特征选择和故障分类[5]，[6]。当前的模式识别方法，例如人工神经网络（ANN）和支持向量机（SVM），已广泛用于旋转机械故障诊断[7]，[8]，[9]，[10]。但是，它们具有三个固有的缺点：（1）测得的振动信号通常是非线性且不稳定的，有用的故障特征信息通常会被沉重的背景噪声所淹没[11] 。因此，必须掌握先进的信号处理技术以进行有效的特征提取。（2）敏感特征是根据特定的故障诊断问题手动选择的，但是对于新问题它们通常是不可移植的[12] 。因此，迫切需要有效的特征学习方法来自动捕获有用的故障特征。（3）SVM和ANN是浅层架构，具有不超过一个非线性特征变换[13]。多项研究结果表明，浅层架构缺乏强大的表示功效，并且难以有效地学习机械故障诊断问题中的复杂非线性关系[14]，[15]，[16] 。因此，有必要设计用于旋转机械故障诊断的深层架构。
3. 深度学习是一种新的无监督特征学习方法，具有多个隐藏的表示层[17]。深度学习的最大优点是，每个隐藏层的特征都不是手动设计的，也就是说，它们是从输入数据中自动学习的[18] 。尽管深度学习已为各种任务产生了非常令人满意的结果，这不足为奇，但对于机械故障诊断，它仍处于起步阶段。Tamilselvan等。深度学习在飞机发动机故障诊断中的应用[19] 。Tran等。深度学习用于往复式压缩机阀门的故障诊断[20] 。邵等人。建议的优化深学习模型对滚动轴承故障诊断[21] 。但是，在这些方法中仍然存在手动信号处理或特征选择的问题，换句话说，他们将深度学习模型视为传统的分类器，而忽略了深度学习从原始振动信号中自动捕获有用信息的强大能力。
4. 深度自动编码器是一种流行的深度学习模型，已成功用于各种应用程序中[22] 。由于其简单性和效率，均方误差（MSE）已被广泛应用于设计深度自动编码器损耗函数[23] 。当信号不受复杂噪声干扰时，MSE下的标准深度自动编码器通常会表现良好。然而，在大多数实际情况下，所测得的振动信号总是受可变的工作条件和沉重的背景噪声影响，这使得标准深度自动编码器的性能迅速下降[24]，[25]。因此，新型深度自动编码器损耗函数的研究和开发已成为当务之急。

创新点

5. 本文提出了一种新颖的深度自动编码器特征学习方法，用于旋转机械故障诊断。该方法用于齿轮箱和机车 滚子轴承的故障诊断。结果表明，所提方法比其他方法更有效，更鲁棒。我们工作的主要贡献可以总结如下。
   （1）为了摆脱对信号处理技术和诊断经验的依赖，我们提出了一种深层的自动编码器特征学习方法，可以从被测振动信号中自动有效地学习有用的故障特征。
   （2）为了消除背景噪声的影响并增强特征学习能力，最大熵被用于设计新的深度自动编码器损耗函数。
   （3）为了使深度自动编码器能够适应信号特性，采用人工鱼群算法（AFSA）对其关键参数进行优化。

本文结构

6. 本文的结构如下。在第2节中，简要介绍了自动编码器的基本原理。建议的方法在第3节中进行描述。在第4节中，对变速箱的实验诊断结果进行了分析和讨论。第五部分介绍了该方法的工程应用。最后，第6节给出了一般性结论。

---

1. 知乎：怎样写好英文论文的 Introduction 部分？ ↩︎

2. 百度经验：不可忽视的SCI论文引言部分Introduction的写作 ↩︎