课题简介
随着工业4.0时代的到来，智能化和自动化技术在工业领域的应用越来越广泛，如何利用先进的算法有效地检测和预测设备故障成为了关键。本课程将从基础开始，首先讲解浅层学习方法，包括支持向量机、决策树和随机森林等,这些传统的机器学习技术在许多工业应用中依然发挥着重要作用。随后，我们将学习深度学习的原理及其在故障诊断中的应用，包括DCNN、Resnet、RNN、LSTM、Transformer、Swin-Transformer等。
本课程会带领同学们学习信号成像技术，解决一维信号可视化差、可解释性差的特点。学习各种深度学习技术，从信号图像中提取高维特征，利用视觉图像技术提高故障诊断的泛化性。学习域适应性技术，掌握迁移学习在故障诊断中的应用方法。
导师介绍
【学校/研究方向】985在读博士，研究方向为基于深度学习的故障诊断与检测、时间序列信号处理、信号成像。 获得教育部省级论坛论文一等奖、中国图像图形学会学术论坛优秀奖、国家奖学金等。
【科研论文/审稿人】 在IEEE汇刊等顶级期刊和会议中发表论文近10篇，授权发明专利10余项，并担任IEEE TMECH、TIM等期刊的审稿人。
【指导经验】指导学生在 JIM、 IEEE TIM投稿和成功发表文章数篇。
可选创新点
（1）基于高分辨率的信号成像和Swin-transformer的故障诊断方法
（2）基于GAN数据增强和域适应性特征迁移学习的故障诊断方法
（3）基于信号图像和Swin-transformer的特征迁移学习的故障诊断方法
课程亮点
（1）课程设计从构建信号处理-特征提取-深度学习多算法的研究路线；
（2）直接提供baseline代码，学员可零帧上手、零门槛调试；
（3）依据同学研究，量身定制论文创新点,辅导实验设计与实现；
（4）辅导论文的写作,包括搭建论文体系,讲述论文故事等；
（5）跟进论文完成、修改、投稿、返修全流程。