近日，我校格拉斯哥学院2017级本科生韩浩然在机械与电气工程学院刘志亮副教授的指导下撰写的论文《Intelligent Vibration Signal Denoising Method Based on Non-local Fully Convolutional Neural Network for Rolling Bearings》被工程技术领域国际顶级学术期刊ISA Transactions（影响因子4.305，SCI“工程·综合”分区一区，TOP期刊）正式接收和在线发表。韩浩然为该论文的第一作者，刘志亮副教授为通讯作者。

　　重大装备预测与健康管理一直是学术界研究的热点问题，如故障诊断、寿命预测等。无处不在的噪声使得预测与健康管理技术难以在实际工业场景中发挥效用。降噪是解决该难题的有效途径之一。目前以傅里叶变换为代表的基于信号处理的降噪技术存在诸多局限性，而深度学习的快速发展为降噪提供了一个全新的思路。在这一新兴研究领域中，基于深度学习的滚动轴承信号降噪技术目前还未被充分研究，存在诸多难点问题亟待解决。

图1. 智能振动信号降噪网络结构

　　在以上背景下，韩浩然等首次将深度学习方法引入到滚动轴承振动信号降噪领域，提出了一种基于全卷积神经网络的降噪模型，并根据振动信号具有强时序相关性的特点，引入了宽卷积核、非局部模块等技术，实现了基于数据驱动技术的滚动轴承振动信号智能降噪。该论文提出的深度学习降噪方法，其降噪性能显著优于传统降噪方法，并在未知噪声环境下表现出较好的鲁棒性。该降噪方法能够有效提升后续故障诊断的表现，具有重要的学术价值与应用前景。

图2. 非局部模块流程图

图3. 滚动轴承振动信号降噪效果可视化

　　韩浩然同学于大二下学期加入刘志亮副教授课题组从事深度学习与信号处理融合方面的研究，截止目前，共参与撰写了学术论文6篇，其中以一作身份发表会议论文2篇、期刊论文1篇，目前已保研本校。

　　论文链接：

　　https://authors.elsevier.com/sd/article/S0019-0578(21)00219-6