machine health monitoring 机械健康诊断
数据驱动的机器健康监测系统提供了一种自下而上的解决方案，用于在发生某些故障（诊断）后检测故障，并预测未来工作条件和剩余使用寿命（预测）。
众所周知，复杂的工作环境和噪声的存在阻碍了物理模型的建立。而这些基于物理的模型大多无法用在线测量数据进行更新，这限制了它们的有效性和灵活性。另一方面，随着传感器、传感器网络和计算系统的飞速发展，数据驱动的机器健康监测模型越来越受到人们的关注，为了从大数据中提取有用的知识并做出适当的决策，机器学习技术被认为是一种强有力的解决方案。深度学习是连接大型机械数据和智能机械健康监测的桥梁。
考虑到深度学习处理大规模数据和学习高级表示的能力，深度学习可以成为机械健康监测系统（mhms）的一个强大而有效的解决方案。
基于深度学习的mhms旨在通过建立具有多层非线性变换的深度神经网络，从输入数据中提取层次表示。直观地说，一层操作可以看作是从输入值到输出值的转换。因此，一层的应用程序可以学习输入数据的新表示，然后，多层的堆栈结构可以使mhms从可以从原始输入构造的简单概念中学习复杂概念。
与传统的数据驱动mhms相比，基于dl的mhms不需要大量的人力和知识来进行手工特征设计。
深度学习旨在学习数据的分层表示。
在本文中，学习表征的辨别力可以随着层次的增加而提高。
本文将原始振动信号、mel频率倒谱系数（mfcc）和小波特征三种不同的特征集作为对应的三种不同输入，分别输入到dbn中，可以在不影响原始振动信号的情况下获得鲁棒的比较性能。
在某些情况下，机械数据可以用二维格式（如时频谱）表示，而在某些情况下，机械数据可以用一维格式（即时间序列）表示。
深入学习对机器健康监测有着越来越广阔的应用前景，特别是在大数据时代。