異常檢測就是尋找不符合期望行為的資料異常點或者離群點。在現實世界中有著廣泛的應用場景，例如信用卡欺詐檢測，保險欺詐檢測，醫療健康輔助診斷，網路入侵檢測，安全關鍵系統錯誤檢測，軍事偵察等。
在異常檢測中，由於異常點少之又少，大部分是正常樣本，異常只是相對小概率事件，並且異常點的特徵表現非常不集中，即異常種類非常多，千奇百怪，即正常的情況大同小異，而異常各不相同，這種情況用有限的正例樣本（異常點）訓練有監督模型學習就很難從中學到有效的規律，再加上異常資料往往是比較難獲得的，所以異常檢測往往用無監督學習或半監督學習方法來進行。
故障診斷主要是為了定位系統的故障，並判斷出故障發生的位置，發生原因，以及幫助進行如何恢復的決策。應用故障診斷需要對診斷目標的機理比較了解，從而建立出模型，進而通過收集資料進行資料處理，分析，與診斷故障，工業上應用比較多的是用於診斷某個機械裝置的故障。
基於LSTM的軸承故障診斷
有一段時間沒有更新部落格了，今天寫一篇以前研究的lstm應用於軸承故障診斷 資料集 與處理方式與這篇文章裡相同 模型結構很簡單 def create model model sequential 輸入資料的shape為 n samples,timestamps,features 隱藏層設定為20,i...
關於裝置故障診斷工作的思考
2006 10 06 14 29 06 關於裝置故障診斷工作的思考 本文 振動論壇 關於裝置故障診斷工作的思考 最近來到故障診斷論壇，發現這裡的確是乙個學習 交流的好地方。瀏覽了部分文章，感觸頗深，想談一點自己膚淺的思考。自1985年從事裝置故障診斷工作，算來已有20餘年了，在現場實際的工作中，積累...
工控裝置遠端監測與故障診斷技術的應用與發展
1 引言 現代大工業的發展使得工業控制裝置變得越來越複雜，自動化程度越來越高。由於自動控制的故障引起的生產停頓造成的損失是巨大的，而生產企業的維護能力有限，迫切需要建立起遠端實時監測和診斷系統，由裝置提供商 企業技術人員和行業專家共同實現及時 準確的預防和診斷裝置故障。隨著資訊時代的到來，inter...