近日，電子科技大學(xué)格拉斯哥學(xué)院2017級本科生韓浩然同學(xué)在機械與電氣工程學(xué)院劉志亮副教授指導(dǎo)下撰寫的學(xué)術(shù)論文《Intelligent Vibration Signal Denoising Method Based on Non-Local Fully Convolutional Neural Network for Rolling Bearings》入選最新一期的ESI高被引論文。該論文于2021年由ISA Transaction(影響因子5.911，中科院二區(qū)Top期刊)接收，2022年3月正式發(fā)表。截至目前，該研究成果受到了包括IEEE Fellow在內(nèi)的國內(nèi)外學(xué)者的廣泛關(guān)注，其引用頻次已進入Engineering學(xué)術(shù)領(lǐng)域最優(yōu)秀的1%之列。

　　韓浩然論文入選ESI高被引論文

　　重大裝備預(yù)測與健康管理一直是學(xué)術(shù)界研究的熱點問題，如其中的故障診斷、壽命預(yù)測等。無處不在的噪聲使得預(yù)測與健康管理技術(shù)難以在實際工業(yè)場景中發(fā)揮效用。降噪是解決該難題的有效途徑之一。目前以傅里葉變換為代表的基于信號處理的降噪技術(shù)存在諸多局限性，而深度學(xué)習(xí)的快速發(fā)展為降噪提供了一個全新的思路。在這一新興研究領(lǐng)域中，基于深度學(xué)習(xí)的滾動軸承信號降噪技術(shù)目前還未被充分研究，存在諸多難點問題亟待解決。

　　基于非局部全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的智能振動信號降方法

　　非局部模塊流程圖

　　在此背景下，韓浩然等首次將深度學(xué)習(xí)方法引入到滾動軸承振動信號降噪領(lǐng)域，提出了一種基于全卷積神經(jīng)網(wǎng)絡(luò)的降噪模型，并根據(jù)振動信號具有強時序相關(guān)性的特點，引入了寬卷積核、非局部模塊等技術(shù)，實現(xiàn)了基于數(shù)據(jù)驅(qū)動技術(shù)的滾動軸承振動信號智能降噪。該論文提出的深度學(xué)習(xí)降噪方法，其降噪性能顯著優(yōu)于傳統(tǒng)降噪方法，并在未知噪聲環(huán)境下表現(xiàn)出較好的魯棒性。該降噪方法能夠有效提升后續(xù)故障診斷的表現(xiàn)，具有重要的學(xué)術(shù)價值與應(yīng)用前景。

　　滾動軸承振動信號降噪效果可視化

　　韓浩然同學(xué)從大二開始在劉志亮副教授的指導(dǎo)下開展科研訓(xùn)練，主要從事深度學(xué)習(xí)在信號處理與故障診斷方面的研究，并以此為背景完成其學(xué)士學(xué)位論文。目前，韓浩然在電子科技大學(xué)信息與通信工程學(xué)院攻讀碩士學(xué)位。

　　關(guān)注"電子科大本科招生"頭條號，獲取更多關(guān)于985、211、"雙一流"建設(shè)A類高校——電子科技大學(xué)最新精彩資訊!

　　本文轉(zhuǎn)自：電子科技大學(xué)官網(wǎng)