【课题推荐发表期刊】
【课题背景】
随着工业自动化以及物联网技术的飞速发展，各类设备在生产、生活中的应用日益广泛，同时产生了海量的设备运行数据。然而，传统的基于人工经验和简单统计分析的设备故障诊断方法已难以应对大数据环境下复杂多变的设备状态监测需求，无法高效准确地提前预警故障，容易导致设备突发故障停机，带来巨大的经济损失和安全风险。
本课题将基于面向大数据的机器学习，探索设备诊断和故障预测的高效方式，通过准确预测设备故障，能提前安排维护，减少突发故障发生频率，提高生产效率；避免过度维修或不必要的备件储备；及时发现潜在故障隐患，降低因设备故障引发的安全事故风险，确保人员和生产环境安全。
【课题方向参考】
基于深度学习的设备故障特征自动提取与诊断
在部分小型机电设备数据上应用卷积神经网络（CNN）进行特征提取实验，发现深度学习能够挖掘出传统方法难以捕捉到的深层次故障特征。探索比如将生成对抗网络（GAN）与 CNN 相结合的方式，通过 GAN 生成更多的故障样本数据来扩充数据集，进一步提升 CNN 在复杂工况下对设备故障特征自动提取和诊断的准确性，尤其针对那些故障样本较少的稀有故障情况进行研究。
融合多源数据的设备故障预测模型优化
引入比如图神经网络（GNN），考虑不同数据源之间的关联关系构建图结构数据，利用 GNN 对多源数据的融合优势以及其在处理复杂关系数据上的特长，优化现有的故障预测模型，提高在多源异构大数据环境下对设备故障发生时间、类型等关键信息的预测精准度。
【适合人群】
计划申请计算机、信息科学、人工智能、机器学习、软件工程等相关专业的优秀本科生，研究生，有一定计算机编程基础的更加适宜。
【课题收获】
高质量论文一篇（SCI/CCF定向期刊）
SCI/CCF期刊投递与发表指导
结业证书
【导师介绍】
Dr. Lv，QS60+高校博士，国内顶尖研究所副研究员
发表论文五十余篇，其中如IEEE TNNLS、TITS、IROS等顶刊顶会10余篇
长期担任SCI " Electronics "客座编辑，顶刊顶会IEEE Transactions on Cybernetics、IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Transactions on Cognitive and Developmental Systems、Pattern Recognition、IROS等审稿人
中国计算机学会计算机视觉专委会委员、自动化学会混合智能专委会委员，国家自然科学基金评议专家
辅导学生80余人，其中多人被牛津大学、卡耐基梅陇、约翰霍普金斯、北京大学等录取
可提供开源代码并指导复现、部分开放研究数据；可撰写推荐信；期刊内推资源；就业/实习机会推荐
【课题安排】
研究周期预估六个月左右，具体视学员情况调整。
【推荐阅读】
