领域：异常检测，深度学习 方法：非监督对抗学习 场景：硬盘故障检测 网络结构：基于LSTM自编码器与生成式对抗网络相结合 数据集：BackBlaze 采用非监督对抗学习的好处，由于训练阶段未用到异常样本(即正样本)，模型不受样本不均衡的影响，很好的避免了由于训练样本不均衡导致的过拟合问题。 已有研究大都使用5 天以内的短期序列数据进行学习和检测，不能很好的学习到自我监测分析报告数据长期稳定的变化趋势，使得模型不具有鲁棒性。同时结合14年提出的生成式对抗网络。故提出了基于LSTM的自编码器与生成式对抗网络相结合的网络结构，采用对抗训练方法，使模型学习正常样本在样本空间和潜在空间两个....

电池是连续循环与随机产生的电流剖面。参考充放电循环也在随机使用的固定间隔后进行，以提供电池健康状态的参考基准。NASA电池随机电池使用数据集。适合做电池健康管理和故障预测。

深度学习在设备故障预测与健康管理中的应用_陈志强.caj

PHM技术国内外发展情况综述

随着对风能的需求持续以指数级的速度增长，降低运行和维护（O＆M）成本并提高可靠性已成为风力涡轮机维护策略中的重中之重。 在风力涡轮机故障达到灾难性阶段之前对其进行预测对于降低由于不必要的定期维护而导致的运维成本至关重要。 利用基于SCADA数据的状态监视系统，该系统利用了已经在风力涡轮机控制器处收集的数据，是一种经济高效的方法，可以监视风力涡轮机以进行故障预警。 本文提出了一种基于人工神经网络（ANN）的基于存储的SCADA数据的风力发电机主轴承故障预测和自动生成警告和警报的方法。 建立了汽轮机主轴承正常行为的ANN模型，然后计算出该参数的估计值与实际值之间的偏差。 此外，已经开发了一种用于产生预警和警报并且避免基于该偏差的误报和警报的方法。 通过这种方式，风电场运营商能够有足够的时间来计划维护，因此，可以避免意外停机，并可以降低运维成本。

工业大数据驱动的故障预测与健康管理，适合工程技术研究人员

基于PHM的供配电系统故障预测关键技术研究。包括数据融合和人工智能技术。重点分析了状态监测与健康管理、故障诊断和预测技术及其实现方法。

使用在线故障预测和置信规则库的动态系统状态维护

DataCastle轴承故障预测数据集，可供下载使用的有2个文件： 1.train.csv，训练集数据，1到6000为按时间序列连续采样的振动信号数值，每行数据是一个样本，共792条数据，第一列id字段为样本编号，最后一列label字段为标签数据，即轴承的工作状态，用数字0到9表示。 2.test_data.csv，测试集数据，共528条数据，除无label字段外，其他字段同训练集。 总的来说，每行数据除去id和label后是轴承一段时间的振动信号数据，选手需要用这些振动信号去判定轴承的工作状态label。

基于机器学习的故障预测与健康管理（PHM）方法研究