科研学术

分享到微信 ×
打开微信“扫一扫”
即可将网页分享至朋友圈
格拉斯哥学院2017级本科生学术成果入选ESI高被引论文
文:马丽丽 图:韩浩然 来源:格拉斯哥学院 时间:2023-02-08 8814

  近日,我校格拉斯哥学院2017级本科生韩浩然同学在机械与电气工程学院刘志亮副教授指导下撰写的学术论文《Intelligent Vibration Signal Denoising Method Based on Non-Local Fully Convolutional Neural Network for Rolling Bearings》入选最新一期的ESI高被引论文。该论文于2021年由ISA Transaction(影响因子5.911,中科院二区Top期刊)接收,2022年3月正式发表。截至目前,该研究成果受到了包括IEEE Fellow在内的国内外学者的广泛关注,其引用频次已进入Engineering学术领域最优秀的1%之列。

67f8e9535411a318d66c213a64de9c0b_3fb3b.j

图1. 韩浩然论文入选ESI高被引论文

  重大装备预测与健康管理一直是学术界研究的热点问题,如其中的故障诊断、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。

d23da4ed8630ae4a2d2e1c053dd6d7ad_3fb3b.j

图2. 基于非局部全卷积神经网络结构的智能振动信号降方法

38260ca3e665873db57b8c505f019d62_3fb3b.j

图3. 非局部模块流程图

  在此背景下,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,具有重要的学术价值与应用前景。

858a075d26cabf6ce03334e9c2e452ab_3fb3b.j

图4. 滚动轴承振动信号降噪效果可视化

  韩浩然同学从大二开始在刘志亮副教授的指导下开展科研训练,主要从事深度学习在信号处理与故障诊断方面的研究,并以此为背景完成其学士学位论文。目前,韩浩然在电子科技大学信息与通信工程学院攻读硕士学位。

 

  论文链接:https://www.sciencedirect.com/science/article/abs/pii/S0019057821002196



编辑:赵海玲  / 审核:林坤  / 发布:陈伟

"