参加2022年全国设备监测诊断与维护学术会议感想

近日参加了2022年全国设备监测诊断与维护学术会议，感受挺深的，作一名科研菜鸟，感触颇多，在这里简单记录下来，作为自己的总结，也供大家参考。

这个会议算是这个研究方向顶尖的了，业内的大佬也有很多参加的，如果大家熟悉这个领域的话，陈雪峰、雷亚国等等这些名字估计叫的不少(本人文章看的少，就这两位的书和综述看的多点…)。

乱七八糟的就不说了，以下直接写结论。

• 从数量上讲，研究还是集中于故障判别，在故障预测方面较少

• 学界从传统动力学模型研究至今，各位专家在很多细分领域都有精深的研究，但是深度学习带来的冲击不可忽视

• 深度学习相关方法在现场报告的数量占比有明显优势，可见，至少在模型的使用上，深度学习已经取得学界认可

• 存粹的深度学习方法很少被讨论，印象里只有一个清华的教授讲了正则化

• 各位大佬认可的仍然是传统专家经验与深度学习的结合，且关键在于探究内在机理和可解释性，毕竟理论还是要谋求解决实际问题的，不能只追求数据漂亮而讲不出机理

以下是我个人的一些感悟或者总结：

• 学界绝大部分还是实验室数据研究，且基本都有自己的实验环境，做学问足够，但是工程实践大家一直认为很难

• 大佬们有心在工程实践中做出成绩，实力也绰绰有余，但是多方因素制约下，想做出实际的系统很难，我个人总结有几个因素：一是真实数据太难获取，即使有，用户方出于保密也不愿共享。二是再好的模型也需要训练，要搞定大量的用户方更是难上加难，而单一用户方的数据很难满足使用。三是学界对应的也不是用户方，而是用户的委托单位，中间层级较多，存在多种复杂的制约因素。四是学界本来就是做学问的，有实验室数据足矣，学术竞争如此激烈，何必去浪费精力搞工程实践。

• 同分布数据的诊断不难，准确率都很高，因此大家讨论的主要还是迁移能力或泛化能力

• 图像识别领域和自然语言处理领域新模型日新月异，但是会上大家普遍使用的还是较为基础的卷积结构，我个人认为许多方法如果能结合更新的模型，会有更好的效果

• 这个领域难有统一标准并广泛使用的数据集，所以难以比较谁的方法更有效，这个时候就需要可解释性来支撑

• 从工程上来讲一味提升精度的意义确实有限，新的方法也未必比经典方法更好用

同时也解决了我一直以来的一些疑问：

• 西储大学数据集还是可以的，大佬也在用，只是数据比较干净，并且在研究特定问题时最好还是有自己的实验台

• 专家经验和人工特征提取的方法确实受到了深度学习方法的冲击，对于可解释性，有人觉得必须知其所以然，有人则更看重实用，这或许是个哲学问题，也许是实际中面临的管理问题

• 学术会议确实很有必要参加，是交流学习的绝佳机会，这类会议的论文也没那么难中，如果早一年参加，自己确信能做的更好

• 真实设备的大数据对于学界来说也很稀缺

大家有什么想交流的可以留言啊~