LENG070-CSDN博客

原创 ResNet-APReLU：让激活函数“动态适配”振动信号

摘要：本文提出一种基于自适应参数化线性单元(APReLU)的深度残差网络ResNet-APReLU，用于解决工业故障诊断中类内差异大和类间相似性强的问题。APReLU通过内置子网络为输入样本动态生成负向斜率，实现激活函数的自适应调整。实验结果表明，在行星齿轮箱数据集上，ResNet-APReLU平均准确率达97.51%，较传统方法提升3.98%-5.27%。特征可视化显示该方法能有效增强特征的判别性和鲁棒性。该研究为复杂工况下的智能故障诊断提供了新思路。

2026-03-12 11:47:59 372

原创深度迁移学习（SDTL）在锂电池SOH估计中的跨场景应用

高效性：10%的数据量即可实现快速在线适配。广适用：能够应对不同正极材料（NCM vs NCA）和环境温差。工程价值：为 BMS（电池管理系统）提供了一种可落地的轻量化、高精度的 SOH 在线评估方案。

2026-03-09 17:19:54 351

原创融合小波包畸变与卷积神经网络的机械系统高度不平衡故障诊断

本文提出了一种基于小波包失真和卷积神经网络(CNN)的不平衡机械故障诊断方法。针对航空液压泵等关键机械系统故障样本稀缺问题，该方法通过小波包变换分解振动信号，对随机选取的小波系数进行非线性失真处理并重构新样本，有效扩充故障数据集。结合CNN自动特征提取能力，在极不平衡(80:1)的航空液压泵数据集上验证表明，该方法显著提升了少数类故障诊断精度，F1分数、精确率和召回率均优于传统过采样和下采样方法，且具有更好的稳定性。该方法为机械系统早期故障诊断提供了新思路。

2026-03-06 23:29:19 424

原创面向机械故障诊断的深度残差收缩网络TensorFlow实现

摘要：本文介绍了深度残差收缩网络(DRSN)在强噪声环境下故障诊断的应用。该方法通过集成软阈值化算子到残差网络中，提出了一种能自动学习阈值的深度残差收缩网络。核心创新是残差收缩单元(RSBU)，利用子网络自动确定特征通道的软阈值，有效过滤噪声成分。文章基于CWRU轴承数据集，在TensorFlow框架下复现了DRSN-CW模型，包含自定义软阈值层、收缩残差单元和训练流水线。实验通过注入高斯白噪声验证了模型在强噪声干扰下的鲁棒性。

2026-02-27 10:38:20 556

原创直面噪声问题！深度残差收缩网络的Python编程复现

针对强噪声下旋转机械故障诊断难题，本文基于 TensorFlow 复现 DRSN-CW 网络，在 CWRU 轴承数据集- 8dB噪声环境下验证，模型故障识别准确率达 95.16%，附完整可运行代码。

2026-02-19 22:57:40 674

原创 BMSFormer：面向嵌入式 BMS 的高效锂电池 SOH 在线估计模型

电池健康状态（State of Health, SOH）的在线估计是电动汽车与储能系统安全管理的核心问题。然而，现有深度学习方法在嵌入式电池管理系统（BMS）上的部署普遍受到算力与存储资源限制。本文基于Energy期刊最新研究，系统解析了一种轻量化Transformer架构 ——BMSFormer。该模型通过线性复杂度注意力机制与多尺度深度可分离卷积，在保证高精度SOH预测的同时，大幅降低计算开销。实验结果表明，BMSFormer在Oxford、NASA与CALCE数据集上均展现出更

2026-01-28 19:26:11 869

原创拒绝“黑盒“模型！如何利用SHAP+随机森林实现工业级可解释故障诊断？

本文提出了一种结合热力学仿真与随机森林的可解释故障诊断框架(TSRF)，用于解决船舶柴油机燃烧室故障诊断中的小样本和黑盒问题。通过一维热力学仿真生成故障样本，补充真实数据不足；利用随机森林进行故障分类，并引入SHAP算法实现特征贡献度量化分析。该方法不仅能准确分类故障，还能通过瀑布图和蜂群图可视化各热力学参数的边际贡献，为故障诊断提供物理依据。实验证明TSRF框架在保持高精度的同时实现了模型可解释性，为复杂工业设备的预测性维护提供了新思路。

2026-01-23 21:11:53 986

原创物理机理驱动的透明AI：热力学仿真辅助随机森林在可解释故障诊断中的应用

论文提出了一种融合热力学仿真与机器学习的船用柴油机燃烧室故障诊断方法(TSRF)。针对传统方法面临的故障样本少、模型复杂、解释性差等问题，该方法首先通过热力学模型仿真五种典型故障，生成诊断数据集；然后利用随机森林预识别故障特征，采用TreeSHAP算法筛选关键参数；最终实现高精度的故障分类，并保持物理可解释性。实验表明，该方法在区分相似故障、参数选择等方面优于传统方法，为柴油机可解释故障诊断提供了新思路。

2026-01-21 20:29:05 974

BMSFormer：面向嵌入式 BMS 的高效锂电池 SOH 在线估计模型

2026-03-09

面向嵌入式 BMS 的高效锂电池 SOH 在线估计模型：BMSFormer

电池健康状态的在线估计是电动汽车与储能系统安全管理的核心问题。BMSFormer通过线性复杂度注意力机制与多尺度深度可分离卷积，在保证高精度 SOH 预测的同时，大幅降低计算开销。实验结果表明，BMSFormer 在 Oxford、NASA 与 CALCE 数据集上均展现出更优的精度、效率与稳定性，适用于实际车载 BMS 在线部署。

2026-01-28

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人