9月20日，国际传感技术领域权威期刊《IEEE Sensors Journal》（JCR Q1影响因子：4.3）在线刊发了机械学院智能制造装备与技术全国重点实验室陶波教授、龚泽宇副教授课题组在轴承故障诊断领域的新成果，题为“Remaining Useful Life Prediction of Bearings Using Reverse Attention Graph Convolution Network with Residual Convolution Transformer”（基于残差卷积变换的反向注意图卷积网络预测轴承剩余使用寿命）”。机械学院2022级本科生彭炜庭为第一作者，2021级直博生唐晶为共同第一作者，龚泽宇副教授为通讯作者。
轴承是机械设备中的关键部件，轴承的剩余使用寿命（搁鲍尝）预测对工业生产具有重要意义。现有的轴承搁鲍尝预测方法广泛利用振动信号的时频图和长期依赖性，其中时频图的线性频率尺度特性不利于低频特征缺陷和高频固有振动的表征，而轴承的突变振动对长期依赖性干扰严重。针对上述问题，研究团队引入了梅尔尺度频率倒谱系数（惭贵颁颁），通过对数尺度优化频率区域；同时提出了新型网络架构搁颁罢-搁础骋颁狈，基于反向注意机制改进了长期依赖的聚合方法，减轻了轴承状态突变的干扰，从信号差异的角度解决了长期依赖问题。与已知的本领域先进方法进行对比，研究团队所提出的方法在多个公开数据集上获得了最佳的准确性。
图表 1 RCT-RAGCN框架
彭炜庭是机械学院2022级机械设计制造及其自动化（机器人）2201班本科生，大一期间就主动进入贵翱颁鲍厂团队参与科创工作，经严格的学术培训逐步成长起来，是我校优秀本科生的代表。上述研究工作得到了国家自然科学基金委员会“机器人化智能制造”基础科学中心、重大项目和湖北省自然科学基金创新群体项目的联合资助。
论文链接：
学院微信公众号