本文提出了一种改进的 Gram 角场方法 (GAF) 结合灰度图像的卷积神经网络方法，用于滚动轴承的异常检测，具有可行性和工业部署的潜力。

Apr, 2023

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

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

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

提出了一种新颖的构建增量学习的集成域自适应方法（CIL-EDA），通过结合云特征提取方法和小波包分解（WPD），捕捉多重分辨率方面的故障信息的不确定性，进而通过域匹配增强每个隐藏节点的跨域学习能力，构建稳健的故障分类器，最终通过 CIL-DA 和并行集成学习的多数投票获得故障诊断结果，在少样本场景下，CIL-DA 优于其他域自适应方法，CIL-EDA 始终优于当前最先进的故障诊断方法。

Aug, 2023

提出了一种轻量级的滚动轴承故障诊断模型 DKDL-Net，通过解耦知识蒸馏和低秩自适应微调，在 CWRU 数据集上进行训练，实验证明在保持模型性能的同时，DKDL-Net 在计算复杂度上实现了 99.48% 的准确率，比现有技术模型高出 0.58%，且参数更少。

Jun, 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

通过提出基于 SCN 的云集成学习的方法，包括云特征提取、云抽样和集成模型，以提高轴承故障诊断的准确性，结果表明该方法在少样本情况下表现良好。

Jul, 2023

使用基于 CVGAN 模型的振动信号生成框架，结合历史振动数据和剩余寿命，通过一维水平和垂直方向的条件振动信号生成，提高滚动轴承寿命预测模型的准确性。在 PHM 2012 数据集上的实验表明，CVGAN 模型在自回归和非自回归生成模式下，通过 MMD 和 FID 指标的表现优于许多先进方法。尤其值得注意的是，使用 CVGAN 模型生成的完整生命周期数据训练的预测模型在性能上得到了显著提升，突出了 CVGAN 生成的数据对模型预测能力的有效性。

Jan, 2024

本研究提出了一种动态特征重构信号图方法，采用小波包分解（WPD）和 2D-CNN 作为故障诊断模型，能够在高噪声下更好的实现旋转机械的故障诊断。

May, 2023