本文提出了一种融合微分几何特征和黎曼流形图嵌入的轴承故障诊断方法。首先对振动信号进行预处理，包括去直流、标准化和分段处理。然后采用两路并行特征提取：一路通过微分几何方法提取曲率、挠率等局部几何特征；另一路通过相空间重构和黎曼流形分析提取全局几何特征。两路特征经标准化和降维后融合，输入随机森林分类器实现四类轴承状态（正常、滚珠故障、外圈故障、内圈故障）的分类。实验结果表明，该方法能有效提取信号的多尺

本文提出了一种融合谱几何、曲率流、李群理论等五大几何方法的振动信号分析算法，构建了多维几何表征体系。该算法在轴承故障诊断中实现了100%的分类精度，特征分析显示前13维特征可解释90%的分类贡献。系统包含完整的预处理、特征提取、分类和可视化流程，具有扩展到其他旋转机械故障诊断的潜力。算法创新性地将几何方法与黎曼流形分析相结合，为故障诊断提供了新的方法论框架，其可视化分析模块也满足了顶级期刊对结果可

本文提出一种基于多几何融合的轴承故障诊断方法，通过仿射几何、复流形、芬斯勒几何和子流形几何四个维度提取信号特征。系统首先对振动信号进行预处理，然后分别计算仿射不变量矩、复数域特征、方向相关度量和流形几何特征，最终融合60维特征输入梯度提升树分类器。实验表明，该方法在四种轴承状态分类上达到100%准确率，验证了多几何融合策略的有效性。文章详细阐述了特征提取算法流程，包括仿射不变量矩计算、复数小波变换

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模态深度学习的工业设备振动信号可视化分析方法。该方法通过SHAP特征重要性解释和注意力机制可视化，实现了模型决策依据的直观展示。系统首先加载原始振动数据、模型预测结果和SHAP值，然后进行时域对齐预处理。通过将SHAP重要性值以红色渐变背景叠加在时域波形图上，直观显示关键时间点；同时展示STFT频域特征的SHAP热力图和注意力图，揭示模型在频域和时间维度的关注重点。该方法支持五

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%。

摘要：本文提出一种融合物理模型与深度学习的机械退化预测算法。通过提取振动信号时频域特征，结合运行时间、温度等变量构建输入向量，并加载预训练的多架构神经网络模型（CFC、LTC等）。算法创新性地将Arrhenius寿命方程作为物理约束嵌入网络训练，采用动态权重平衡数据拟合与物理约束损失。实验验证表明，该方法在域内泛化、跨数据集迁移、噪声鲁棒性等方面表现优异，并能有效量化预测不确定性。该算法具有物理引

本文提出了一种融合物理机理与数据驱动的滚动轴承智能退化分析方法。通过提取振动信号的RMS和最大值特征确定故障起始点，构建包含赫兹接触理论、缺陷增长动力学和故障特征频率计算的多物理约束模型，设计指数退化神经网络并引入多目标优化框架。实验结果表明，该方法能准确预测轴承退化趋势，误差控制在7-8个时间单位内，准确率达99.47%-99.75%。算法通过物理约束确保预测结果既符合数据规律又满足轴承故障机理

本文提出了一种融合物理模型与数据驱动的轴承寿命预测方法。算法首先提取振动信号的RMS和最大值特征，确定故障起始点；然后基于Hertz接触理论构建包含接触力、缺陷增长和振动方程的物理模型；设计物理约束的指数退化神经网络，在损失函数中引入物理一致性约束；使用故障起始后的历史数据训练模型，预测振动特征演化趋势，当超过故障阈值时计算剩余寿命。实验结果显示，三个轴承的预测误差分别为7、8和11个时间单位，平

本文提出了一种基于S变换卷积神经网络(STNN)的轴承故障诊断方法。算法首先对西储大学轴承振动信号进行分割和标准化预处理，然后构建具有物理意义的S变换卷积层，通过可训练频率参数生成时频分析核函数。随后连接标准CNN结构提取高级特征，最终实现故障分类。模型在测试集上仅3个epoch即达到100%准确率，并保持稳定。创新性地将S变换数学原理嵌入深度学习框架，通过可视化核函数、特征图和t-SNE降维等技