龙8国际手机客户端下载

格拉斯哥学院本科生在工程技术领域顶级期刊ISA Transactions发表论文

文:格拉斯哥学院 图:格拉斯哥学院 / 来源:格拉斯哥学院 / 2021-04-29 / 点击量:2359

  刘志亮副客户端为通讯作者。

  重大装备预测与健康管理一直是客户端界研究的热点问题,如故障诊断、寿命预测等。无处不在的噪声使得预测与健康管理技术难以在实际工业场景中发挥效用。降噪是解决该难题的有效途径之一。目前以傅里叶变换为代表的基于信号处理的降噪技术存在诸多局限性,而深度学习的快速发展为降噪提供了一个全新的思路。在这一新兴研究领域中,基于深度学习的滚动轴承信号降噪技术目前还未被充分研究,存在诸多难点问题亟待解决。

微信图片_20210428172558.png

图1. 智能振动信号降噪网络结构

  在以上背景下,韩浩然等首次将深度学习方法引入到滚动轴承振动信号降噪领域,提出了一种基于全卷积神经网络的降噪模型,并根据振动信号具有强时序相关性的特点,引入了宽卷积核、非局部模块等技术,实现了基于数据驱动技术的滚动轴承振动信号智能降噪。该论文提出的深度学习降噪方法,其降噪性能显著优于传统降噪方法,并在未知噪声环境下表现出较好的鲁棒性。该降噪方法能够有效提升后续故障诊断的表现,具有重要的客户端价值与应用前景。

微信图片_20210428172611.png

图2. 非局部模块流程图

微信图片_20210428172621.png

图3. 滚动轴承振动信号降噪效果可视化

  韩浩然同学于大二下学期加入刘志亮副客户端课题组从事深度学习与信号处理融合方面的研究,截止目前,共参与撰写了客户端论文6篇,其中以一作身份发表会议论文2篇、期刊论文1篇,目前已保研本校。


  论文链接:

  https://authors.elsevier.com/sd/article/S0019-0578(21)00219-6



编辑:庄志东  / 审核:林坤  / 发布者:陈伟

u乐登陆yabo体育体育官方网站宝盈网投注册
网站地图