基于深度学习的故障诊断用哪个框架比较好？

虎威将军

毕业论文是基于深度学习的齿轮故障诊断，深度学习模型暂定为SAE。现阶段主要问题是不清楚用哪个深度学习框架比较合适（目标是操作更简单，同时后期可能会用Labview搭个平台实时诊断，所以希望方便做接口）。现在有两个备选一个是matlab里的一个包，因为实验室有个学姐正在使用；另一个tensorflow，因为发现网上关于这方面的资源更多。有其他更好的也欢迎推荐！
原文地址：https://www.zhihu.com/question/53886046

卡卡

我觉得数字孪生/动力学仿真才是这个领域的大趋势。现有的深度学习方法已经完全可以满足故障诊断中的特征提取需求了，真正的大问题是实际工程中缺乏高质量带标签的样本。

检验医师

以下回答的内容尝试从近两年的故障诊断相关文章中寻找未来研究方向，欢迎同行交流！
2023年

• Causal-Trivial Attention Graph Neural Network for Fault Diagnosis of Complex Industrial Processes
  
• 关键词：因果学习；图网络
  
• 链接：https://ieeexplore.ieee.org/document/10146475
  
• 摘要：在现代工业系统中，组件之间有着复杂的相互作用，这使得识别工业系统的运行状况成为一项具有挑战性的任务。考虑到一个工业系统，嵌入式组件和它们的相互作用可以分别表示为图中的节点和边。因此，图表示算法是工业系统故障诊断的有力工具。作为最常用的图表示算法之一，图神经网络（GNN）主要遵循 "学习参加 "的规律。图神经网络提取训练数据的特征，学习特征和标签之间的统计相关性，从而使出席图偏向于访问非因果特征，作为预测的捷径。这种捷径特征是不稳定的，取决于训练数据集中的数据分布特征，这降低了分类器的泛化能力。通过对图表示的GNN建模进行因果分析，结果表明，捷径特征作为因果特征和预测之间的混杂因素，导致分类器学习到错误的关联性。因此，为了发现因果关系模式，削弱捷径特征的混杂影响，我们提出了因果-捷径图神经网络（CTA-GNN）策略。首先，通过估计软掩码给出节点和边缘的表示。第二，通过拆分，从图中获得因果特征和捷径特征。第三，对因果理论的后门调整进行参数化，将每个因果特征与各种捷径特征相结合。最后，在三相流量设施（TFF）数据集上的比较实验说明了所提方法的有效性。
  

• Improved spiking neural network for intershaft bearing fault diagnosis
  
• 关键词：脉冲神经网络
  
• 链接：https://www.sciencedirect.com/science/article/abs/pii/S0278612522001443
  
• 亮点：改进脉冲神经网络用于故障诊断。
  

• Few-Shot Learning for Fault Diagnosis With a Dual Graph Neural Network
  
• 关键词：小样本学习；双向图网络
  
• 链接：https://ieeexplore.ieee.org/document/9882368
  
• 亮点：采用双向图网络在极少的标记样本中学习故障信息。
  

• Multiscale Wavelet Prototypical Network for Cross-Component Few-Shot Intelligent Fault Diagnosis
  
• 关键词：小波原型网络；小样本跨域诊断
  
• 链接：https://ieeexplore.ieee.org/document/9999323
  
• 亮点：采用小波卷积模型及元学习训练方案实现了跨域的小样本诊断。
  

• Dynamic Model-embedded Intelligent Machine Fault Diagnosis without Fault Data
  
• 关键词：数字孪生；零样本诊断
  
• 链接：https://ieeexplore.ieee.org/document/10049272
  
• 亮点：采用数字孪生模型从健康数据中预测故障数据，并采用CNN实现了零故障样本诊断。
  

• Explainable Graph Wavelet Denoising Network for Intelligent Fault Diagnosis
  
• 关键词：可解释性；图小波降噪网络
  
• 链接：https://ieeexplore.ieee.org/document/10002254
  
• 亮点：将小波分析嵌入了图网络中实现了可解释的故障诊断。
  

• Domain Discrepancy-guided Contrastive Feature Learning for Few-shot Industrial Fault Diagnosis under Variable Working Conditions
  
• 关键词：自监督对比学习；变工况
  
• 链接：https://ieeexplore.ieee.org/document/10032199
  
• 亮点：采用对比特征学习的方案实现了变工况下的域不变特征提取。
  

2022年

• W. Xu, Z. Zhou, T. Li, C. Sun, X. Chen and R. Yan, "Physics-Constraint Variational Neural Network for Wear State Assessment of External Gear Pump,"
  
• 关键词：物理约束；故障机理；可解释性
  
• 链接：https://ieeexplore.ieee.org/document/9927309
  
• 亮点：基于故障机理物理约束的可解释故障诊断模型。
  

• Y. Han, W. Qi, N. Ding and Z. Geng, "Short-Time Wavelet Entropy Integrating Improved LSTM for Fault Diagnosis of Modular Multilevel Converter,"
  
• 关键词：短时小波熵集成的LSTM；SVM；少样本
  
• 链接：https://ieeexplore.ieee.org/document/9313022
  
• 亮点：将长短期记忆网络(LSTM)和支持向量机(SVM)相结合的短时小波熵故障诊断方法。
  

• T. Zhang, J. Chen, S. He and Z. Zhou, "Prior Knowledge-Augmented Self-Supervised Feature Learning for Few-shot Intelligent Fault Diagnosis of Machines,"
  
• 关键词：先验知识；自监督学习；小样本数据
  
• 链接：https://ieeexplore.ieee.org/document/9677916
  
• 亮点：以自监督学习的方式将先验知识融入诊断模型中。
  

• Rujie Hou, Jinglong Chen, Yong Feng, Shen Liu, Shuilong He, Zitong Zhou, "Contrastive-weighted self-supervised model for long-tailed data classification with vision transformer augmented"
  
• 关键词：对比学习；长尾数据；Transformer
  
• 链接：https://www.sciencedirect.com/science/article/pii/S0888327022003314
  
• 亮点：基于对比学习的Transformer用于长尾数据下的故障识别问题。
  

• W. Zhang and X. Li, "Federated Transfer Learning for Intelligent Fault Diagnostics Using Deep Adversarial Networks With Data Privacy,"
  
• 关键词：联邦学习；数据隐私
  
• 链接：https://ieeexplore.ieee.org/document/9376674
  
• 亮点：以联邦学习的方式训练诊断模型以保护用于数据隐私。
  

• M. Sun, H. Wang, P. Liu, Z. Long, J. Yang and S. Huang, "A Novel Data-Driven Mechanical Fault Diagnosis Method for Induction Motors Using Stator Current Signals,"
  
• 关键词：电流数据；
  
• 链接：https://ieeexplore.ieee.org/document/9745071/keywords#keywords
  
• 亮点：基于定子电流数据的感应电机故障诊断。
  

• W. Qian, S. Li and J. Lu, "Deep sparse topology network for robust bearing fault diagnosis by maximizing prior knowledge functions,"
  
• 关键词：先验知识函数
  
• 链接：https://ieeexplore.ieee.org/document/9706352
  
• 亮点：基于健康状态先验知识最大化的故障诊断。
  

• R. Wang, Z. Chen, S. Zhang and W. Li, "Dual-Attention Generative Adversarial Networks for Fault Diagnosis Under the Class-Imbalanced Conditions,"
  
• 关键词：注意力机制；生成对抗网络
  
• 链接：https://ieeexplore.ieee.org/document/9627919
  
• 亮点：故障数据生成+注意力机制故障特征增强。
  

• S. Fan, X. Zhang and Z. Song, "Imbalanced Sample Selection With Deep Reinforcement Learning for Fault Diagnosis,"
  
• 关键词：强化学习；不平衡数据
  
• 链接：https://ieeexplore.ieee.org/document/9497679
  
• 亮点：基于深度强化学习的通用不平衡样本选择策略。
  

• Yifei Ding, Minping Jia, Qiuhua Miao, Yudong Cao, A novel time–frequency Transformer based on self–attention mechanism and its application in fault diagnosis of rolling bearings,
  
• 关键词：Transformer
  
• 链接：https://www.sciencedirect.com/science/article/pii/S0888327021009468
  
• 亮点：基于Transformer的智能诊断模型。
  

2021年

• Y. Hu, R. Liu, X. Li, D. Chen and Q. Hu, "Task-Sequencing Meta Learning for Intelligent Few-Shot Fault Diagnosis with Limited Data,"
  
• 关键词：元学习（Meta learning）；小样本数据
  
• 链接：https://ieeexplore.ieee.org/document/9537307
  
• 亮点：元学习网络用于小样本数据下的智能诊断。
  

• X. Zhao, M. Jia and Z. Liu, "Semisupervised Graph Convolution Deep Belief Network for Fault Diagnosis of Electormechanical System With Limited Labeled Data,"
  
• 关键词：图卷积网络；小样本数据
  
• 链接：https://ieeexplore.ieee.org/document/9244619
  
• 亮点：图卷积网络用于小样本数据下的智能诊断。
  

• H. Shao, M. Xia, G. Han, Y. Zhang and J. Wan, "Intelligent Fault Diagnosis of Rotor-Bearing System Under Varying Working Conditions With Modified Transfer Convolutional Neural Network and Thermal Images,"
  
• 关键词：红外热图像；变工况；迁移学习
  
• 链接：https://ieeexplore.ieee.org/document/9130129
  
• 亮点：基于红外热图像的健康状态识别。
  

• J. Feng, Y. Yao, S. Lu and Y. Liu, "Domain Knowledge-Based Deep-Broad Learning Framework for Fault Diagnosis,"
  
• 关键词：小样本数据，同源任务 | 领域知识(Domain knowledge)，宽度学习
  
• 链接：https://ieeexplore.ieee.org/document/9047140
  
• 亮点：领域知识减少模型学习过程中标记样本的使用。
  

• T. Li, Z. Zhao, C. Sun, R. Yan and X. Chen, "Multi-receptive Field Graph Convolutional Networks for Machine Fault Diagnosis,"
  
• 关键词：graph convolutional networks 图卷积神经网络
  
• 链接：https://ieeexplore.ieee.org/document/9280401
  
• 亮点：图卷积神经网络用于智能故障诊断。
  

• Saibo Xing, Yaguo Lei, Shuhui Wang, Na Lu, Naipeng Li,"A label description space embedded model for zero-shot intelligent diagnosis of mechanical compound faults,"
  
• 关键词：零故障样本 | 标签描述空间(label description space)
  
• 链接：https://www.sciencedirect.com/science/article/pii/S0888327021004283
  
• 亮点：建立标签描述空间(LDS)来构建不同故障模式之间的关系，识别不可见故障。
  

• M. A. Jarwar, S. A. Khowaja, K. Dev, M. Adhikari and S. Hakak, "NEAT: A Resilient Deep Representational Learning for Fault Detection using Acoustic Signals in IIoT Environment,"
  
• 关键词：物联网iIOT  边缘设备(edge devices)
  
• 链接：https://ieeexplore.ieee.org/document/9527336
  
• 亮点：对物联网中边缘设备的故障诊断。
  

• S. Fan, X. Zhang and Z. Song, "Imbalanced Sample Selection with Deep Reinforcement Learning for Fault Diagnosis,"
  
• 关键词：不平衡数据 | 深度强化学习
  
• 链接：https://ieeexplore.ieee.org/document/9497679
  
• 亮点：使用深度强化学习选择故障样本进行模型训练。
  

• Kaiyu Zhang, Jinglong Chen, Shuilong He, Enyong Xu, Fudong Li, Zitong Zho. Differentiable neural architecture search augmented with pruning and multi-objective optimization for time-efficient intelligent fault diagnosis of machinery.
  
• 关键词：神经架构搜索 NAS
  
• 链接：https://www.sciencedirect.com/science/article/pii/S0888327021001680
  
• 亮点：使用神经架构搜索寻找诊断模型的结构参数。
  

• Yong Feng, Jinglong Chen, Tianci Zhang, Shuilong He, Enyong Xu, Zitong Zhou, Semi-supervised meta-learning networks with squeeze-and-excitation attention for few-shot fault diagnosis,
  
• 关键词：小样本数据 | 元学习网络 meta-learning
  
• 链接：https://www.sciencedirect.com/science/article/pii/S0019057821001543
  
• 亮点：使用元学习减少诊断模型所需的训练样本量。
  

2020年

• W. Li, Z. Chen and G. He, "A novel weighted adversarial transfer network for partial domain fault diagnosis of machinery,"
  
• 关键词：Cross-domain dataset | 跨域数据集; Adversarial learning; Transfer learning;
  
• 链接：https://ieeexplore.ieee.org/document/9093960
  

• Q. Shi and H. Zhang, "Fault diagnosis of an autonomous vehicle with an improved SVM algorithm subject to unbalanced datasets,"
  
• 关键词：Unbalanced dataset | 不平衡数据; SVM
  
• 链接：https://ieeexplore.ieee.org/document/9097402
  

• Jianan Wei, Haisong Huang, Liguo Yao, Yao Hu, Qingsong Fan, Dong Huang, NI-MWMOTE: An improving noise-immunity majority weighted minority oversampling technique for imbalanced classification problems
  
• 关键词：Imbalanced dataset | 不平衡数据; Oversampling technique;
  
• 链接：https://www.sciencedirect.com/science/article/pii/S0957417420303286#!
  

• L. Feng and C. Zhao, "Fault Description Based Attribute Transfer for Zero-Sample Industrial Fault Diagnosis,"
  
• 关键词：Zero fault sample | 零故障样本; zero-shot learning; fault description;
  
• 链接：https://ieeexplore.ieee.org/document/9072621
  
• 亮点：运用故障属性描述解决零样本故障诊断问题。
  

• T. Zhang, J. Chen, F. Li, T. Pan and S. He, "A Small Sample Focused Intelligent Fault Diagnosis Scheme of Machines via Multi-modules Learning with Gradient Penalized Generative Adversarial Networks,"
  
• 关键词：Small sample | 小样本数据; Data augmentation; GAN;
  
• 链接：https://ieeexplore.ieee.org/document/9219137
  
• 亮点：基于生成对抗网络的故障数据增强。
  

• Y. Wang, J. Yan, Q. Sun, Q. Jiang and Y. Zhou, "Bearing Intelligent Fault Diagnosis in the Industrial Internet of Things Context: A Lightweight Convolutional Neural Network,"
  
• 关键词：Lightweight CNN | 轻量化神经网络；
  
• 链接：https://ieeexplore.ieee.org/document/9088980
  
• 亮点：从应用角度出发的轻量化神经网络。
  

• H. Lee, H. Jeong, G. Koo, J. Ban and S. W. Kim, "Attention Recurrent Neural Network-Based Severity Estimation Method for Interturn Short-Circuit Fault in Permanent Magnet Synchronous Machines,"
  
• 关键词：Attention mechanism | 注意力机制;
  
• 链接：https://ieeexplore.ieee.org/document/9032381
  
• 亮点：注意力机制用于敏感故障特征学习。
  

• H. Zheng, R. Wang, Y. Yang, Y. Li and M. Xu, "Intelligent Fault Identification Based on Multisource Domain Generalization Towards Actual Diagnosis Scenario,"
  
• 关键词：Multimodal data | 多模态数据；Domain Generalization；
  
• 链接：https://ieeexplore.ieee.org/document/8643085
  
• 亮点：多模态数据的运用。
  

队长是我

从目前来看，卷积神经网络是最适合用于故障诊断的，现在这方面的研究特别多。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。



基于卷积神经网络的故障诊断

还有一种比较新的深度学习方法：深度残差收缩网络。
在原始论文中，深度残差收缩网络就是应用于齿轮箱的故障诊断，使用的是振动信号，跟题主的问题是很吻合的。具体而言，深度残差收缩网络的结构图如下：



深度残差收缩网络

那么相较于普通的深度学习方法，深度残差收缩网络有什么优势呢？它的优势主要在于：更加适合含噪声数据的特征提取。
这是因为深度残差收缩网络在其结构中采用了软阈值化作为非线性层。众所周知，软阈值化是信号降噪的核心步骤。深度残差收缩网络，相当于将降噪集成进了深度神经网络中，将其作为可训练的步骤。
<hr/>参考资料：
卷积神经网络_百度百科深度残差收缩网络_百度百科10分钟看懂深度残差收缩网络 - 翼下之峰 - 博客园深度残差收缩网络：从删除冗余特征时的灵活程度进行讨论 - 木林森8910的个人空间 - OSCHINA如何写人工智能方面的sci？


智能算法

清风寡欲

亲们我的硕士课题也是深度学习故障诊断，每秒一百万的数据如何输入模型，模型的结构如何确定，训练没显卡，这些问题都没解决呢。。。。大家在这个版块多交流沟通呀。我目前用的anaconda 没用matlab但是感觉matlab要快。

长长的路

我也想用深度学习做故障诊断，大家可以在一起交流交流。我正苦于身边没有人可以讨论。
我的方向是航空航天方面的故障诊断，数据问题不好解决，之前有个学姐跟我说深度学习对于大数据问题比较好，我们这种小样本的不一定适用，不知道各位怎么看。