员工姓名：钱卓一

  班生姓级：工业工程2020-01班

  指导教师：郭鹏

  毕设题目：基于多传感信息融合的设备状态监控与健康管理

一、概况

1.选题意义

随着设备发展趋于复杂化和自动化，其可靠性要求也越来越高。设备服役过程中的健康水平会出现劣化衰退现象，如遇突发故障，可能会造成严重的生产损失与安全事故。状态监测与健康管理已经被证明是一种能有效减少维修费用，用以提高系统设备可靠性和降低失效事件发生风险的主要途径。

本项目面向电池运行过程中的复杂设备系统，尽管借助于智能传感器、网络通讯基础设施，企业当前已获取大量的状态监测数据，但仍依赖预先设定的阈值，来进行设备异常状态的简单判别。忽视变工况复杂环境下的设备状态演变与趋势特征，导致异常状态识别精度过低，且缺乏对微小潜在故障的预警能力，最终影响维护决策的有效性。因此，为解决历史数据不平衡、多维传感信息利用不足、设备异常状态预警难等问题，本项目需开发相应的智能识别算法和健康管理策略，为提升电池健康管理水平提供科学依据。

2.任务分解

阶段一：项目准备与数据收集

阶段二：特征提取与算法设计

阶段三：部署与实验

阶段四：项目总结与文档整理

二、已完成工作

1. 文献的调研与算法问题发掘

查阅和归纳整理有关燃料电池故障检测与深度学习方面的文献，了解国内外的研究现状及趋势，熟悉电池故障检测方面的技术。

图 1 文献翻译——深度残差网络

文献翻译选择了何恺明的深度学习经典——深度残差网络

2. 数据的预处理与问题定义

本毕业设计利用来自国家新能源汽车大数据联盟（NDANEV）的脱敏数据进行实验。我的工作依托其所提供的海量新能源汽车实时运行数据，以数据算法创新和数据分析应用为重点，通过挖掘数据价值构建异常检测模型，实现基于大数据的准确判断。

图 2 数据描述

该数据集包括从 10 辆新能源汽车中采集的 5,509,708 个样本。经过数据预处理后，数据集细化为包括约 3,870,000 个驾驶状态数据实例、约1,000,000 个充电状态数据实例和约 650,000 个静止状态数据实例。

3. 网络模型的搭建与Python代码实验

目前已经完成了所用网络框架的设计与代码编写与实验。

图 3 所用网络结构

图 4 代码编写

4. 期刊小论文的撰写与投递

目前基于此课题的小论文已经撰写完成，正在投递中。

三、下一步工作计划

1.改进打磨小论文，争取早日录用

2.撰写毕业论文，准备结题。

问题1：你在工作中你使用了一种VAE+GAN的网络结构，请谈谈你所用方法的思路灵感。

回答：好的，根据个人在计算机视觉方面使用CIARF的测试，VAE存在一个严重的问题，即其解码生成的图像通常都相对模糊。

图 5 VAE泛化特征引起的特征失真

在信号异常检测方面，这一种失真容易造成二分类检测边界的模糊，因此，我们需要一个判别器来评判信号的真实性，以帮助提高 VAE 的真实性。

问题2：利用这一网络你实现了一个SVDD的检测任务，为什么会选用这一检测方法呢。

回答：因为支持向量描述（SVDD）是一种无监督学习方法，不需要标记的训练数据，因此适用于许多实际场景中缺乏标记数据的情况。对于电池运作中样本不平衡的特点，SVDD方法可以实现充足的正常样本的最大化利用。

虽然这一工作只是一次小型的应用型研究，但却跨越了我从推免到毕业的一整年，对我而言意义非凡。在指导老师和师兄的指导下我对于故障检测问题的认识进一步深化，个人的编程技术栈也有了长足提高。更为重要的是让我明确了未来的研究方向——异常检测、故障诊断与寿命预测，也坚定了我攻读博士学位的决心。

毕业设计的中期答辩是一次宝贵的学习和成长机会，让我受益匪浅。通过这次答辩，我不仅提高了自己的专业能力，也增强了自信心和决心，为未来的发展打下了良好的基础。这也是一个及时的反馈机制，让我能够及时了解自己的设计是否朝着正确的方向前进。通过听取老师和同学们的意见和建议，我能够及时调整自己的设计方案，修正不足之处，确保后续的工作更加顺利。各位老师渊博的知识与富有建设性的意见使我受益匪浅。