文献类型：期刊文章

作　　者：余萍[1,2,3] 曹洁[1]

YU Ping;CAO Jie(College of Electrical and Information Engineering,Lanzhou University of Technology,Lanzhou 730050,China;Key Laboratory of Gansu Advanced Control for Industrial Processes,Lanzhou University of Technology,Lanzhou 730050,China;National Demonstration Center for Experimental Electrical and Control Engineering Education,Lanzhou University of Technology,Lanzhou 730050,China)

机构地区：[1]兰州理工大学电气工程与信息工程学院,兰州730050 [2]兰州理工大学甘肃省工业过程先进控制重点实验室,兰州730050 [3]兰州理工大学电气与控制工程国家实验教学示范中心,兰州730050

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金（No.61763208,No.61563032,No.61963025）;甘肃省自然科学基金（No.1506RJZA104）

年　　份：2020

卷　　号：56

期　　号：3

起止页码：1-18

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：近年来,深度学习以其在特征提取与模式识别方面独特优势与潜力被广泛应用于众多领域,已取得显著进展,其在复杂工业系统故障诊断与预测中的研究属于新兴领域。对近年来深度学习及其在各领域发展的优秀综述文献以及主流的开源仿真工具平台进行了整理,同时介绍了五种典型的深度学习模型,包括自动编码器(Auto-Encoder,AE)、深度置信网络(Deep Belief Networks,DBN)、卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN)、生成对抗网络(Generative Adversarial Network,GAN);从研究背景、实现流程及研究动态等三个方面就深度学习在故障诊断与预测中的应用研究进行了归纳总结,对近年来这一领域发表的相关论文进行了系统的综述;从研究实际出发探讨了深度学习在故障诊断与预测领域应用中存在的问题、挑战及解决方法,并对未来值得继续研究的方向进行了展望。

关 键 词：深度学习  特征提取 故障诊断 故障预测

分 类 号：TP206.3]