近日，電子科技大學格拉斯哥學院2017級本科生韓浩然同學在機械與電氣工程學院劉志亮副教授指導下撰寫的學術論文《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在內的國內外學者的廣泛關注，其引用頻次已進入Engineering學術領域最優(yōu)秀的1%之列。

　　韓浩然論文入選ESI高被引論文

　　重大裝備預測與健康管理一直是學術界研究的熱點問題，如其中的故障診斷、壽命預測等。無處不在的噪聲使得預測與健康管理技術難以在實際工業(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存在諸多局限性，而深度學習的快速發(fā)展為降噪提供了一個全新的思路。在這一新興研究領域中，基于深度學習的滾動軸承信號降噪技術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)絡結構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習方法引入到滾動軸承振動信號降噪領域，提出了一種基于全卷積神經(jīng)網(wǎng)絡的降噪模型，并根據(jù)振動信號具有強時序相關性的特點，引入了寬卷積核、非局部模塊等技術，實現(xiàn)了基于數(shù)據(jù)驅動技術的滾動軸承振動信號智能降噪。該論文提出的深度學習降噪方法，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)，具有重要的學術價值與應用前景。

　　滾動軸承振動信號降噪效果可視化

　　韓浩然同學從大二開始在劉志亮副教授的指導下開展科研訓練，主要從事深度學習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士學位論文。目前，韓浩然在電子科技大學信息與通信工程學院攻讀碩士學位。

　　關注"電子科大本科招生"頭條號，獲取更多關于985、211、"雙一流"建設A類高校——電子科技大學最新精彩資訊!

　　本文轉自：電子科技大學官網(wǎng)