关于故障诊断应用深度学习的一些想法

利用深度学习模型进行端到端的故障诊断

深度学习中的CNN，RNN及其变体都可以作为很好的从信号到模式的端到端模式识别模型，用来直接以振动信号为数据输入进行故障诊断。
优点：端到端的学习，不需要手动提取特征，且模型比较成熟，我本人也做过这一块的探索。
难点：内在原理不容易结合振动信号进行分析，而且这一块做的人已经比较多了，发表sci有一定困难。** 着重点应该放在更多种工况和更多健康状态多诊断上**

利用深度学习的模型进行寿命预测

深度学习中的LSTM，GNU等模型对于序列数据的建模有着很好的效果，这个既可以做端到端的预测（多对一），也可以对信号进行解调或者分解（多对多）等等。
优点：这一块可扩展的方面很多，也同样有很多成熟的模型，也有相当一部分人在这方面有所探索。
难点：难点在于寿命的标签数据难以获取，另外也正因为做这块的人比较多了，想要作出新意也比较难。

利用GAN（生成对抗网络）进行数据生成

由于GAN对抗学习的特点，可以生成逼真的数据，鉴于目前用于训练的数据类型太少，而且样本也不够多样化，需要对数据进行增广。

1. 进行困难样本挖掘来增强模型的鲁棒性-增强模型的泛化能力
2. 生成更多的数据
3. 对数据进行去噪