本研究探讨了无监督健康监测在工业故障检测中的应用，比较了自编码器与输入-输出模型的性能，结果显示输入-输出模型在故障解释方面更具优势。此外，研究提出了一种基于统计学习和信息论的框架，用于量化信息泄漏，并验证了其有效性。同时，提出了结合机器学习与统计过程控制的框架，以监测临床数据漂移，展示了在不同任务中的有效性。

本文提出了一种基于神经过程和图卷积网络的深度转移学习方法（GTNP），旨在通过特征转移消除源领域与目标领域的数据分布差异，并在智能故障检测任务中验证了其优越性能。同时，研究探讨了无监督健康监测、贝叶斯循环神经网络的故障检测方法及其他深度学习技术在故障检测中的应用。