故障检测及诊断是保障设备正常运行的重要保障手段，是自动化领域一个热点方向，已在高铁设备、机器人、无人机及自动化工厂等实际应用中受到密切关注。本文先介绍什么是故障检测及诊断，随后介绍与机器学习及深度学习的联系，最后介绍深度学习在此领域所面临的数据不充分困境。

故障检测及诊断是对设备运行情况进行检测以发现异常情况（故障检测）并分析异常的故障情况（故障诊断）从而进行设备维护以保障设备的正常运行。传统的故障检测及诊断主要包括基于模型和基于数据两种方法。前者是依赖人工设计的数学解析模型来完成任务，后者主要是分析设备运行所积累的历史数据从而判断设备运行状态。它们都面临一个共同的难题：严重依赖人工，前者需要人工设计数学模型后者需要人工提取数据特征及分类器设计。对人工的这种依赖既不利于方法的大面积推广也严重制约故障检测及诊断的最终精度。

深度学习以其强大的数据特征自动提取能力及与分类器一体化的端到端的训练模式在该领域得到了广泛的关注。深度学习的这种优势于是就解决了传统方法所面临的难题，从而提高了故障检测及诊断的精度及效率。从机器学习的角度来看，故障检测及诊断都属于分类问题，前者主要监测设备运行是否有异常状况，故属于二分类问题，后者不但要监测设备是否有异常还要区别异常状态的具体情况，于是自然属于多分类问题。从监督学习和无监督学习的角度来看，故障诊断要区分不同故障类别的情况，于是需要有标签数据的支撑，自然属于监督学习。而故障检测情况稍微特殊，从已有的方法来看，故障检测也属于监督学习，因为也需要有异常数据的支撑。但是最近出现了只用正常数据进行故障检测的方法，具体来说只用正常数据来训练模型，然后测试数据如果与训练数据不一致就属于故障数据，这种方法就没有故障数据的支撑，所以属于无监督学习。

深度学习以“三大”特点而著称，具体包括大数据，大模型和大计算。深度学习在本领域的成功应用也需要以大量数据为基础，可该领域的数据最典型的特点就是“大数据小信息”，具体说来数据非常充分，但是故障数据非常贫乏，这是因为现实中设备运行异常状态非常少，自然异常数据就缺少，否则就意味着设备故障频发，就不符合实际生产需求了。于是研究数据不充分条件下设备的故障检测及诊断成为深度学习在该领域应用的一个重要难点热点问题，比如上述的无监督学习的故障检测。