这几年做的紧张内容是深度学习结合故障诊断、迁移学习、神经网络构造搜索，范围比较广一点。
因此从我做的这几个方面出发，谈一谈有哪些故意思的、值得思考的问题。

这是一个比较困难的问题，由于纵然在全体深度学习领域，其阐明性问题也没有被办理。
但故障诊断是个特定的问题，在深度学习之前有各种各样的物理建模方法，是否可以结合其物理含义和故障机理进行一定程度的阐明？故障诊断的数据集多是振动旗子暗记，是否可以结合旗子暗记处理的方法进行阐明？我做的一个考试测验是，利用视觉中的Grad-CAM，找到神经网络做出判断的依据，并将其扩展到频域上。
我一贯相信神经网络和旗子暗记频域是有一定联系的。
另一个故意思的考试测验是用幅频特性曲线描述卷积核的频域特性。
这两个成果让我看到了深度学习故障诊断模型在阐明性上的研究希望。
但依然遗存了几个问题：（1）Grad-CAM扩展到频域上利用了短时傅里叶变换，但STFT中的韶光分辨率和频率分辨率是抵牾的，导致效果不如时域上的好。
（2）仅用幅频特性曲线描述了第一层卷积的频率特性，像其他卷积层、BN层、激活函数等组件的频域含义尚不明确。
（3）我做的考试测验局限于卷积神经网络，MLP、RNN乃至其他类型的网络都未涉足。

阐明性是个非常故意思的问题，但寻衅难度也很大。
这个问题如果能办理，那么深度学习在故障诊断中的实际运用可能就迈出了一大步。
进一步地，我们可以思考：如果一个神经网络分错了样本，它为什么分错了？如何快速调度神经网络以纠正缺点？办理这样的问题更具实际意义。

迁移学习是目前研究的很多的问题，论文太多了。
大多数都是提出什么样的网络构造、丢失函数等，以提高迁移效果。
那我们思考这样的问题：为什么同一个工况下不同的方法有不同的迁移效果？同样的方法在不同的工况下、不同的数据集下为何效果差距较大？我们当然可以给出一些比较定性的阐明和剖析，但从这个问题出发，给天命据集和一堆迁移学习方法，能不能预测出某种工况下哪种迁移方法效果最好？同样的，给定一堆迁移任务和一个迁移方法，能不能预测这些迁移任务的终极迁移效果？我们将其称为迁移预测问题。
我做的一个考试测验是在有监督迁移学习中，预测不同工况下fine-tune的效果，预测结果和真实结果达到了比较好的干系性。
但依然也有几个遗留问题：（1）所提方法鲁棒性一样平常，有些情形下干系性很好，有些情形下较差。
（2）受数据集限定，只在一种数据集上进行了测试，由于其他数据集工况数量少。
（3）只研究了有监督迁移学习预测问题，无监督迁移学习尚未成功。

迁移学习是研究热点，但迁移预测问题鲜有人思考。
这个研究将提高迁移学习的效率，避免暴力考试测验的办法。

我的末了一个考试测验是神经网络构造搜索（NAS）运用在故障诊断中，这是自动化机器学习的一个分支。
NAS运用在故障诊断中文献已陆续出来几篇。
深度学习被戏称为玄学、炼丹，是由于超参数、网络构造的不可知性，这实在也算是阐明性的问题。
为了便捷地炼丹，自动化深度学习是个好方法。
NAS在故障诊断中尚处于起步，还有很大的发展空间。
我也针对一样平常分类任务和无监督迁移学习任务进行了神经构造搜索的研究。
除了网络构造，如何将演习超参数也融入到搜索中也是个不小的寻衅。

智能制造、工业互联网等计策天然和自动化干系，自然不能拉下自动化机器学习。
不仅是深度学习，经典的机器学习方法运用也很广泛，将全体过程自动化是非常具有实用代价的。
我以为研究这个问题比套模型更故意义，这也是一个非常有的做的方向。

故障诊断一样平常是在故障发生之后进行的诊断，不是提前预知。
剩余寿命预测（RUL）是个提前预知方法，这方面的研究也非常多。
但他是在部件的正常磨损下进行预测，有些故障可能是突发的，突发前可能有些征兆，进行这样的征兆捕捉也可以及早创造故障。
同时，在故障发生后如何进行维修决策也是个研究问题，即智能决策、智能运维。

以上便是我的一些思考，当然我做的还比较窄、不足深入，水平也有限，有其他一些问题也是我没有想到的，这些问题也是一个参考~欢迎大家互换谈论~