2.4.3 基于深度學習的方法
隨著大數據和新一代人工智能的快速發展，故障預測方法的研究面臨著大數據自動學習和處理問題。深度學習以監督、半監督或無監督方式，從原始數據和深度非線性網絡中自動學習信號特征，一些深度學習模型，如疊加自動編碼器SAE、深度置信網絡DBN等已被應用于故障預測領域。
卷積神經網絡CNN在處理圖像和音頻數據方面具有強大的數據處理能力，已經被廣泛應用到自然語言處理、圖像識別、音頻識別等領域，并在一些故障診斷和預測的任務中也取得了較好的效果。CNN模型不適合直接用于分析原始時域信號，需要利用小波變換、EMD（經驗模態分解）等時頻分析方法將原始振動、聲發射等非平穩信號轉換為圖像數據。時頻分析盡管完全保留了故障特征，但算法復雜耗時，可以采用一些低復雜度方法來提高轉換效率，如連續小波變換（Continuous Wavelet Transform，CWT）等。