该研究论文提出了一种高效的实时卷积神经网络（CNN）来诊断多个滚动轴承故障，针对不同噪声水平和时变转速的实际应用环境。并且，使用一种新颖的基于 Fisher 的频谱可分离性分析（SSA）方法，阐明了所设计 CNN 模型的有效性。实验证实了该模型在三个方面优于最先进方法：精度提高高达 15.8%，在各种信噪比下具有噪声鲁棒性，且实时处理速度是采集速度的五分之一。此外，通过所提供的 SSA 技术，我们揭示了该模型在应对实际挑战方面的有效性。

Nov, 2023

本文提出了使用新转换方法从实时输入信号中提取故障的嵌入式人工智能 (CNN) 方法，以实现实时故障检测，同时提出了一种同步双电机系统来实现过载降低和容错处理，最终的实验结果显示该方法在测试中达到 99.9997% 的准确率。

Apr, 2023

开发了一个用于风力涡轮机发电机轴承故障分类的深度学习模型，通过使用来自五种预定义故障类型的音频数据进行构建和训练。该模型在训练样本上表现出色，验证过程中也展示出优秀的泛化能力，对于测试样本，模型的分类性能出色，整体准确率超过 99.5%，正常状态的误报率低于 1%。该研究的发现对于风力发电的故障诊断和维护提供了重要支持，并具有提高风力发电的可靠性和效率的潜力。

Mar, 2024

提出了一种基于多尺度核的自适应卷积神经网络（MSKACNN）的数据驱动诊断算法，使用原始轴承振动信号作为输入，提供了振动特征学习和信号分类能力，以识别和分析轴承故障，特别是针对球混合等难以用传统方法检测的故障。结果显示，MSKACNN 能够高效准确地诊断轴承不同工况，具有良好的适应性和通用性，为实时的轴承故障诊断系统提供了轻量级的模块实现。

Mar, 2022

利用时间频率分析和深度学习技术，本文提出了一种诊断滚动轴承故障的方法，在时间变化的速度和不同噪声水平下取得了显著的准确率提升，解决了现有方法在这些条件下应用受限的问题。

Jan, 2024

本研究探讨了如何使用基于卷积核的方法，包括 ROCKET 和一维卷积神经网络，在多变量时间序列分类中实现故障检测。使用三个不同的基于卷积核的分类器，该方法在测试数据中表现出超过 98.8％的准确性，优于其他曾有的方法。

May, 2023

利用卷积神经网络和 Grad-CAM 激活图可视化技术，提出一种对轴承故障进行分类的可解释型深度学习方法，通过识别训练样本的特征重要性形成了一个诊断知识库，在模型评估过程中根据特征重要性的相似性检索预测基础样本，实验结果表明该方法能够选择直观且具有物理意义的预测基础样本，提高模型对人类用户的可靠性。

Aug, 2023

该论文介绍了一种基于深度卷积自编码神经网络（DCAN）的异常检测方法，用于解决球磨机轴承故障检测问题。该方法利用正常运行期间收集的振动数据进行训练，克服了有监督学习方法常遇到的标注问题和数据不平衡等挑战。DCAN 模型包括卷积特征提取和转置卷积特征重建模块，展示了在信号处理和特征提取方面的优秀能力。此外，论文描述了基于 DCAN 的异常检测模型在武汉钢铁资源集团的球磨机轴承故障检测中的实际部署，利用了来自 NASA 轴承振动数据集的故障数据。实验结果验证了 DCAN 模型在识别故障振动模式方面的可靠性。该方法有望提高轴承故障检测效率，减少生产中断，并降低维护成本。

Nov, 2023

基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法，通过编码滚动轴承的时间域信号并生成特征图，扩展训练样本集并提取故障特征，应用注意力机制进行特征加权和深度特征提取，通过 softmax 分类器完成故障诊断，具有更好的泛化性能和抗噪性能。

Mar, 2024

本研究探讨了如何在基于振动信号的深度神经网络所训练的轴承故障检测中利用已有的基于概念的解释技术，以确保人们对模型内部工作机制的理解，并通过验证底层假设的准确性来获得可信的结果。

Oct, 2023