您怎么知道一臺機器是否在正常運行？問題的回答是：通過利用深度學習來檢測工業機器的常規振動數據中的異常情況。異常檢測有很多用途，而尤其在預測性維護中特別有用。

這個深度學習的例子講的是基于雙向長短期記憶網絡（biLSTM）的自動編碼器。雖然這個詞很拗口，但它僅表示訓練網絡來重構“正常”數據。這樣，當我們給算法提供一些看起來不同的數據時，重構錯誤會提示您機器可能需要維護。當您所擁有的數據均為“正常”數據時，自動編碼器不失是一個很好的嘗試方法。

數據集有兩部分：維護前的數據和維護后的數據。從邏輯上講，我們可以假定維護后的數據是“正常”的（當我們有一個稱職的維護團隊的情況下！）。但是我們對維護前的數據并不確定。

以下顯示了兩個相互疊加在一起的數據樣本。

與其在原始信號上進行訓練，不如提取特征區分訓練前后的數據，這往往幫助更大。使用Diagnostic Feature Designer應用程序，一次性從所有數據中自動提取特征并對其排序。然后，這個應用程序可以自動創建一個函數generateFeatures，以編程方式重做所有這些工作。

trainFeatures = generateFeatures(trainData);

這就是那個基于biLSTM的自動編碼器。

featureDimension = 1;

% Define biLSTM network layers

layers = [ sequenceInputLayer(featureDimension,'Name','in')

bilstmLayer(16,'Name','bilstm1')

reluLayer('Name','relu1')

bilstmLayer(32,'Name','bilstm2')

reluLayer('Name','relu2')

bilstmLayer(16,'Name','bilstm3')

reluLayer('Name','relu3')

fullyConnectedLayer(featureDimension,'Name','fc')

regressionLayer('Name','out') ];

自動編碼器是這樣工作的：在正常數據上訓練網絡。如果您把正常的數據傳給它，就能很好地重構它。如果您把一些不正常的數據傳給它，就無法重構它，并且您會從重構錯誤中看到提示。

在每個通道的排名前四的特征上訓練網絡—僅根據正常（維護后）數據。

通過挑選合適的重構誤差閾值，算法能以相當高的準確率識別出異常情況。而我們有一些已知為異常的測試數據，可以明確地測試算法的準確率。