摘要：该研究提出了一种融合多模态不确定性量化方法的机械退化预测算法，结合谱归一化、高斯过程和证据深度学习，同时捕捉数据噪声和模型认知不确定性。算法创新性地引入物理退化模型约束的贝叶斯推理框架，通过自适应权重平衡不确定性贡献，并采用谱归一化层增强鲁棒性。实验验证了算法在消融测试、域适应置信度评估及对抗噪声下的优异表现，为机械系统退化预测提供了可靠的不确定性量化解决方案。

本文提出一种基于多尺度卷积和注意力脉冲神经网络的轴承故障诊断算法。算法采用三分支并行结构，分别使用3×3、5×5、7×7卷积核进行多尺度特征提取，通过注意力脉冲神经元实现生物神经元的膜电位动态模拟。特征融合后经通道注意力模块重校准，再通过两个注意力脉冲基础块进行深层特征提取，最终输出分类结果。实验显示该方法在训练集和验证集均达到100%准确率，损失降至0.0000级别。算法创新性地结合了多尺度特征

本文提出一种融合物理信息神经网络与多尺度特征工程的轴承退化预测方法，实现0.2%-0.7%的超高预测精度。该方法创新性地将数据驱动模型与物理退化规律深度融合，通过自适应损失平衡和贝叶斯不确定性量化，不仅具备优异预测性能，还具有强解释性和泛化能力。系统完整覆盖"特征提取-物理建模-不确定性分析-可视验证"全流程，采用时域统计、频域能量及时频小波等多尺度特征，通过标准化处理、复合损

本文实现了一个基于混合神经网络的航空发动机剩余使用寿命(RUL)预测系统。系统采用NASAC-MAPSS数据集，通过数据预处理（去除静态传感器、特征归一化和序列化）后，构建了CNN-LNN混合模型：CNN提取传感器数据的局部特征，LNN建模时序动态特性。训练采用滑动窗口技术和Adam优化器，测试阶段对发动机最后运行序列进行预测，并使用RMSE和C-MAPSS评分评估性能。该系统实现了从数据加载到预

本文提出了一种基于深度学习的土体承载力预测模型，通过结合经典理论公式与工程经验构建训练数据集。系统采用物理信息约束的神经网络架构，强制模型满足承载力随土体参数单调递增等物理规律，并设计混合损失函数平衡训练稳定性。实验表明，该方法相比传统公式具有更高精度，同时保持了工程合理性。模型提供完整的预测接口和安全系数建议，实现了从数据生成到工程应用的闭环系统。

摘要：本文提出一种基于多尺度特征提取和轻量级物理信息神经网络的轴承剩余寿命预测方法。通过提取时域、时频域和频域特征构建高维特征空间，设计包含黎曼几何正则化和物理约束的轻量级神经网络架构。该方法采用自适应权重平衡策略优化复合损失函数，通过逐步前向预测模拟退化轨迹，实现轴承剩余使用寿命的准确预测。实验结果表明，该方法能有效保持数据流形结构并满足物理规律约束，为工业设备健康管理提供可靠决策支持。

摘要：该研究提出了一种融合多模态不确定性量化方法的机械退化预测算法，结合谱归一化、高斯过程和证据深度学习，同时捕捉数据噪声和模型认知不确定性。算法创新性地引入物理退化模型约束的贝叶斯推理框架，通过自适应权重平衡不确定性贡献，并采用谱归一化层增强鲁棒性。实验验证了算法在消融测试、域适应置信度评估及对抗噪声下的优异表现，为机械系统退化预测提供了可靠的不确定性量化解决方案。

本文提出了一种基于多分辨率注意力脉冲神经网络的轴承故障诊断算法。该方法首先通过滑动窗口对振动信号进行分割，采用3种不同尺度的卷积核并行提取多分辨率特征。算法核心是引入注意力机制的脉冲神经元，模拟生物神经元的膜电位动态过程，将连续信号转换为脉冲序列。通过高效通道注意力模块和残差连接的注意力脉冲基础块进行深层特征提取，最后整合时间步信息实现分类。实验结果表明该算法能有效提取振动信号特征，实现精确故障诊

摘要：本文提出了一种基于物理信息神经网络(PINN)的轴承退化趋势预测方法。通过提取时域统计特征、频域特征和时频域小波变换特征构建多尺度特征表征，结合数据驱动学习和物理规律约束（单调性、平滑性等），采用自适应权重机制平衡数据拟合与物理约束损失。实验结果显示该方法预测精度高，三个轴承平均误差仅5.67个时间步长，在99%寿命处能准确判定故障状态。关键创新点包括：多尺度特征融合、物理约束融入、Hube

本文提出了一种基于脉冲神经网络(SNN)的轴承故障诊断方法。该方法首先对西储大学轴承数据集进行滑动窗口分割，构建包含多尺度特征提取器和注意力脉冲神经元的SNN模型。通过带梯度裁剪的Adam优化器和早停机制进行训练，最终在测试集上达到99.6%的准确率，仅1个样本误分类。实验结果表明，该方法在内圈和外圈故障检测上均实现100%的精确率和召回率，滚珠故障召回率为97.4%，正常状态精确率为99.2%。