本文提出一种基于物理信息的故障诊断新范式，通过可学习的傅里叶级数显式拟合振动信号，取代传统黑箱神经网络。该方法将信号分段后用傅里叶PINN拟合，提取谐波系数统计特征（均值和标准差）及残差作为35维物理可解释特征，最后送入轻量MLP分类器。相比端到端深度学习，该方法每个特征都对应明确的谐波分量，残差反映信号偏离周期结构的程度，实现了完全物理可解释的诊断流程。实验表明，该方法在保持诊断精度的同时，显著

本文提出了一种结合物理机理与数据驱动的轴承早期故障检测方法。首先基于轴承故障频率BPFO理论设计多频带阻滤波器提取背景噪声，通过Wiener滤波降噪并保留故障特征。随后计算去噪信号的标准差(STD)序列，利用LSTM网络学习健康状态下的STD演变规律。测试阶段通过比较预测STD与真实值的偏差实现早期预警。实验表明，该方法能提前1.5分钟检测到异常（帧458触发预警），显著优于传统时域指标。算法融合

本文提出了一种数据驱动的自适应频带分割方法，用于振动信号分析中的频带划分问题。该方法通过阶统计滤波提取频谱包络，并基于包络峰谷形态自动确定频带边界，无需先验频率知识。实验验证表明，该方法在仿真信号上能准确分解各分量，相关系数均大于0.98。相比传统等宽划分、倍频程划分或经验划分方法，该方法具有更好的自适应性和物理意义清晰性。

本文提出一种基于动态决策树的自适应机械故障诊断算法。该方法通过滤波器组构建候选频带空间，以峭度、基尼系数等为指标函数，采用多树动态决策树算法实现智能频带搜索，自动定位最优故障特征频带。算法平衡探索与利用，显著降低计算量，并自适应匹配不同工况特征。获得最优频带后，通过包络谱分析提取故障特征频率。整个流程无需人工干预，具有强泛化能力和高精度，适用于轴承、齿轮等旋转机械的早期故障诊断。

摘要：本文提出一种融合幅值概率密度直方图、核密度估计(KDE)和高阶统计特征的轴承故障诊断方法。通过去直流预处理和时域波形观察后，采用等间隔幅值统计获得离散概率密度直方图，并引入高斯核密度估计生成连续概率密度曲线。同时计算偏度、峭度等统计量量化信号特性，叠加理论正态分布曲线作为参照。将四种工况(内圈/滚动体/外圈故障及正常状态)的KDE曲线对比分析，通过分布差异实现故障识别。该方法结合可视化图形与

本文提出了一种基于数据驱动的机械设备剩余寿命预测方法。该方法通过传感器采集振动信号，提取均方根值和最大值等特征，建立反映设备健康状态的退化曲线。采用指数模型拟合设备退化趋势，并赋予近期数据更高权重以捕捉当前变化速率。模型训练采用梯度下降优化参数，通过外推预测故障时间点。实验结果表明，该方法能有效预测设备剩余寿命，为预防性维护提供科学依据。与传统经验判断和固定周期检修相比，该方法具有更高的预测精度和

本文提出了一种基于迁移学习和可解释时频分析的滚动轴承故障诊断方法。首先通过短时傅里叶变换将振动信号转换为时频图像，并采用动态阈值增强故障特征；然后利用预训练的VGG16网络进行迁移学习，在CWRU轴承数据集上实现10种健康状态的高精度识别。为增强模型可信度，引入Grad-CAM热力图可视化决策依据，并设计Faithfulness指标量化解释忠实性。结合故障机理知识和大语言模型自动生成诊断报告，在检

本文提出了一种基于Wiener去噪和卷积自编码器的旋转机械早期故障检测方法。通过bTSTFT变换提取256×256时频特征，构建双通道输入训练自编码器。在测试阶段，利用重构误差(MSE)作为异常指标，并采用CUSUM控制图和滚动方差评分实现双重检测。实验结果表明，该方法比传统指标提前60-80帧(约1-1.5分钟)触发报警，在保持计算效率的同时显著提高了检测灵敏度。该方法融合物理先验与数据驱动技术

摘要：本文提出一种基于小波包分解的测井曲线分析方法，用于自动识别地层中的关键地质界面。通过小波包分解将伽马测井曲线分解为不同频带信号，利用低频成分（A5）识别大套砂岩体，高频成分（D5）检测泥岩冲刷面等薄层突变特征。该方法结合电阻率、密度等多曲线验证，实现了地质界面的自动识别，相比传统方法更快速客观。实验表明，该方法能有效提取地层中的多尺度特征，为地质建模和储量评价提供可靠依据。

摘要：本研究提出一种基于物理信息神经网络(PINN)的电力电缆热动力学仿真方法。通过构建包含数据损失、物理残差损失、边界损失和初始损失的多目标损失函数，将一维热传导方程作为物理约束嵌入神经网络。采用有限差分法生成带噪声的合成数据作为监督项，在域内随机采样配置点计算PDE残差。实验结果表明，该方法能有效融合物理规律与观测数据，实现电缆温度场的准确预测。模型采用4层64神经元网络结构，经8000次Ad