本毕设项目的客户是上汽大众汽车有限公司安亭三厂车间，研究对象为车身焊接生产线。车间生产存在着两大问题，第一是面对海量的历史数据，工程师们难以人工对涂胶过程进行故障诊断；第二是对于涂胶过程的数据，车间缺乏统一的管理系统。本项目在特征提取和特征选择的基础上，利用机器学习和深度学习等方法进行不平衡数据集的处理和分类，并重点分析涂胶故障数据集，实现对涂胶故障的故障诊断。同时，本项目将模型成功的训练、应用包装成用户友好的接口，嵌入到给企业人员开发的信息系统之中，从而让其在浏览器里即可进行实时的模型训练与应用，并得到相应的数据结果与反馈。

（1）通过含正交模块的一维卷积神经网络自动提取正交差异化特征，丰富特征多样性。在此基础上，使用基于最大互信息的Relief和支持向量机交互的自动特征选择算法，剔除无关特征，选择出具有良好稳定性和泛化能力的特征子集。

（2）通过机器学习和深度学习方法，建立故障诊断模型。

（3）在信息系统开发上，采用前后端分离的架构，并将训练好的模型用分布式存储服务进行对象存储，约定好相互之间的接口语义，从而简化开发耦合性。

（1）建立了涂胶结果分类模型、已知类和未知类故障识别模型和具体故障诊断模型，最终可以形成一个完整的故障诊断流程。

（2）针对故障数据集特征数量过少和无效数据多的问题，使用人工提取和神经网络提取两种方法丰富特征，采用包裹式筛选的方法筛选出最优特征子集。为提高故障诊断准确率。

（3）在神经网络中加入卷积层和残差层，充分挖掘数据参数局部序列关系；对于超参数调优，运用遗传算法进行局部寻优；对于类不平衡问题，采用生成对抗网络的方法，生成新样本。

（4）开发了故障信息平台。