工学院焦卫东及鄂世举课题组等发表关于深度学习基智能故障诊断的重要综述文章

近日，浙江师范大学工学院焦卫东课题组、鄂世举课题组与贵州大学的专家学者合作，在基于深度学习的滚动轴承智能故障诊断领域发表了重要综述文章，相关成果以Deep learning in industrial machinery:  A critical review of bearing fault classification methods为题，在SCI一区Top期刊Applied Soft Computing上发表。该论文同时获得了期刊组委会Best Researcher Award奖。

该综述提供了对滚动轴承故障分类的最新深度学习（DL）算法的概述，这在包括能源、制造等在内的工业部门中至关重要。该文全面分析了DL模型，包括卷积神经网络（CNNs）、自编码器（AEs）深度置信神经网络（DBNs）、循环神经网络（RNNs）、生成对抗网络（GANs）以及一些先进的网络，即迁移学习（TL）、Transformer神经网络（TNN）、自监督学习（SSL）、联邦学习（FL）、元学习和解释神经网络，评估它们在故障分类中的有效性和局限性。该综述文章在现有文献中是独特的，因为它通过包括所有形式的先进网络在不同深度学习基智能诊断算法之间架起一座重要的沟通桥梁，并深刻分析了不同算法的应用潜力和所面临的挑战。此外，该综述文章强调了不同传感技术和关键数据集在该领域的重要性，以展示它们对DL应用改进的贡献。最后，提出了当前的挑战和对未来研究方向的建议，包括环境适应、传感器部署、数据预处理、模型训练增强、算法选择、分类器开发和系统，共同构成了论文的结论部分。这篇综述将为那些通过基于DL的技术来改进滚动轴承故障分类的机器可靠性方法的研究人员提供重要的参考源，而且填补了现有研究中的空白，并在这一重要领域激发起新的思想和应用。

这项工作得到了审稿人的高度评价：“该文章拥有清晰的结构和丰富的内容，涵盖了各种深度学习及其在轴承故障诊断中的应用，以及所面临的挑战和未来的研究方向。它为该领域的研究提供了宝贵的参考。”（Reviewer #1: I appreciate the author's revisions to the manuscript. After the modifications, the manuscript boasts a clear structure and rich content, covering various deep learning models and their applications in bearing fault diagnosis, as well as the challenges faced and future research directions. It provides valuable reference for research in this field. I believe this manuscript is suitable for publication in Applied Soft Computing Journal.）。

浙江师范大学的焦卫东教授、蒋永华教授、鄂世举教授和贵州大学的魏建安教授（校聘）为论文的共同通讯作者。浙江师范大学是论文的第一完成单位。浙江师范大学博士后Attiq Ur Rehman是论文的第一作者。该项研究得到了国家自然科学基金项目、浙江省自然科学基金重点项目、金华市科技计划重大项目等资助。

焦卫东课题组（装备状态监测与智能维护技术研究所）主要从事智能检测与信号处理、机械动力学、装备状态监测与故障诊断等方面的研究。主持国家“863”计划项目、国家自然科学基金面上项目和青年科学基金项目，浙江省自然科学基金杰出青年基金、重点、一般项目以及金华市科技计划重大项目等。

编辑：盛灿灿

标签：浙江  深度  金华市