近日，我校必赢线路检测3003何刘博士在机械系统信号分析与机械装备状态监测领域的研究工作再获进展，相关成果相继发表于国际权威期刊《Mechanical Systems and Signal Processing》（中科院一区TOP，Wos 1区，IF：8.9）、《IEEE Transactions on Instrumentation and Measurement》（中科院二区，Wos 1区，IF：5.9）及《IEEE Sensors Journal》（中科院三区，Wos 1区，IF：4.5），为解决机械系统中脉冲信号提取与在线状态监测、可解释神经网络建模方法等关键技术领域提供了创新性解决方案。
在机械系统脉冲信号解析领域，研究者提出了多通道神经盲解卷积（MCNBD）框架，用于同步提取多个脉冲模式。该方法首次将脉冲在频域的有限带宽特性建模为频谱正交性约束，结合时域稀疏性约束，构建了一个可物理解释的神经网络模块。MCNBD无需递归分解即可同步提取周期性脉冲、随机脉冲、单一脉冲以及多谐波信号，具备良好的可解释性与模块化集成能力。相关研究成果以《Multi-channel neural blind deconvolution: A physically interpretable network for impulsive mode extraction》为题，发表于机械工程与信号处理领域顶刊《Mechanical Systems and Signal Processing》，第一作者为何刘博士。
《Mechanical Systems and Signal Processing》期刊上的论文
在故障诊断研究领域，为解决强噪声环境下故障特征难以提取的问题，研究者将有限脉冲响应（FIR）滤波模块集成至最优平方包络谱（OSES）的生成流程中，构建了一个端到端的可解释神经网络。该网络能够自动学习预处理滤波器并生成OSES，无需人工设定滤波器参数，显著提升了在复杂工程环境中的适应性与抗干扰能力。相关论文《Neural Network Integrated With Classical Signal Processing Techniques for Generating Optimized Square Envelope Spectrum and Its Application in Machine Condition Monitoring》发表于国际知名期刊《IEEE Transactions on Instrumentation and Measurement》，第一作者为何刘博士。
《IEEE Transactions on Instrumentation and Measurement》期刊上的论文
针对旋转机械故障信号中瞬态与周期性特征提取难题，研究者提出了一种完全局部卷积稀疏字典学习（CLCSDL）方法。该方法利用故障脉冲的局部短支撑特性，在稀疏表示与字典更新阶段仅对局部区域进行计算，显著降低了内存消耗与计算复杂度，适用于长时、变速工况下的故障检测，避免了传统方法因数据截断导致的脉冲分裂与虚假脉冲问题。相关研究以《Complete Local Convolutional Sparse Dictionary Learning for the Detection of Rotating Machinery Transient Faults》为题，发表于《IEEE Sensors Journal》，第一作者为何刘博士。
《IEEE Sensors Journal》期刊上的论文
此次系列成果的发表，彰显了团队在机械系统信号处理与可解释神经网络建模方面的研究实力，为推动机械装备健康管理技术的智能与可信诊断提供了新的技术路径。
作者简介
何刘，博士，长期从事交通车辆关键部件和基础设施的状态监测、智能故障诊断、可解释神经网络建模、智能图像识别与机器视觉三维重建研究。目前主持国家自然科学基金1项；主研国家级和省部级项目3项；参与国家重点研发计划、四川省科技创新人才项目、企业委托项目等7项，以第一作者发表SCI论文10篇。获得仪器仪表协会科学技术进步一等奖、铁道科技奖三等奖、上海市科学技术奖。
