2.4.3　基于深度学习的方法

随着大数据和新一代人工智能的快速发展，故障预测方法的研究面临着大数据自动学习和处理问题。深度学习以监督、半监督或无监督方式，从原始数据和深度非线性网络中自动学习信号特征，一些深度学习模型，如叠加自动编码器SAE、深度置信网络DBN等已被应用于故障预测领域。

卷积神经网络CNN在处理图像和音频数据方面具有强大的数据处理能力，已经被广泛应用到自然语言处理、图像识别、音频识别等领域，并在一些故障诊断和预测的任务中也取得了较好的效果。CNN模型不适合直接用于分析原始时域信号，需要利用小波变换、EMD（经验模态分解）等时频分析方法将原始振动、声发射等非平稳信号转换为图像数据。时频分析尽管完全保留了故障特征，但算法复杂耗时，可以采用一些低复杂度方法来提高转换效率，如连续小波变换（Continuous Wavelet Transform，CWT）等。