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~