课题简介
随着深度学习技术的蓬勃发展，越来越多领域开始应用深度学习技术，智能故障诊断(IFD)便是其中引人注目的一个领域。基于深度学习的机械故障诊断方法已经被大量的研究，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。当下热门的领域有迁移、小样本、可解释性故障诊断，使用联邦学习、对比学习、元学习、物理信息神经网络PINN等方法，以期解决更多工程实际应用中的问题。
针对不同的应用场景，可以做的方向较多，创新点多，同时又具有直观和易上手的特点，比较适合同学们快速入手产出研究paper。手把手教学四组开源数据预处理实验代码，提供可视化实验分析代码（出图必备），从0规划论文写作。
导师介绍
【学校/研究方向】
985 高校电气及自动化博士学位已毕业，博士期间为机械设备、电气设备智能故障诊断与状态监测方向，主要研究方向为迁移学习、元学习在工业设备中的应用。
高校教师，熟悉pytorch框架和python语言编程，对debug有着一定的经验；嵌入式AI方向开拓者，全网粉丝4k+.
在期刊发表论文6篇，一区Top期刊MSSP发表论文，获ESI高被引；两次国家奖学金获得者。
【指导经验】指导学生在二三区发表论文4篇，投稿6篇
可选创新点
（1）基于新约束的自监督任务的衍生(SIGNAL PROCESSING、Journal of Mechanical Science and Technology等)
（2）基于物理知识构建新的数据增强方法(SIGNAL PROCESSING、Journal of Mechanical Science and Technology等)
（3）基于多任务域泛化的跨机器迁移故障诊断模型(Measurement、ieee TIM、ieee TR、EAAI等)
（4）基于小波技术的PINN故障诊断研究(Measurement、ieee TIM、ieee TR、EAAI等)
（5）未知目标域工况的跨机器域泛化故障诊断(Measurement、ieee TIM、ieee TR、EAAI等)
（6）基于信号处理技术的PINN损失设计可解释性故障诊断研究(Measurement、ieee TIM、ieee TR、EAAI等)
课程亮点
（1）非常多实用的Idea，现在其实单看模型差距很小，但这些技术却源源不断的中论文，核心因素便是故事的构成驱动模型的设计。在课程里也是主要以已经发表的论文切入分析没做好以及还没做的事情，将这些事情转化为技术构成，最终产出论文。
（2）在课程的引导下会基于相关研究方向和其他子方向的baseline组成一个有故事的pipeline也是课程的主要特色。
（3）课程力求避开繁琐的数学公式和过于空洞的原理，代码实现为先。
（4）课前一次meeting，提前帮同学解答选题问题和解答疑问，阐述授课风格；线上课程主要利用论文发掘故事和模型设计，帮助同学规划好论文框架，讲好论文故事。
（5）私人群有问必答，结合案例、文字、语音条等形式，偶尔也会利用额外的线上meeting，用较短时间，较高效率解决同学们的疑问。