知乎学术咨询获取完整代码

https://www.zhihu.com/consult/people/792359672131756032

担任《Mechanical System and Signal Processing》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。

传统故障诊断方法在处理复杂工况下的冲击性故障时，往往受限于噪声干扰、特征提取不精确和诊断鲁棒性不足等问题，导致误报漏报频发。CycleSparseNet-FD通过循环嵌入先验知识、融合多种稀疏性度量，实现了从强噪声背景中精准提取微弱冲击特征，显著提升故障诊断的准确性和可靠性，为工业设备预测性维护提供了强有力的智能解决方案。

算法步骤

信号预处理：采集振动信号，通过希尔伯特变换计算平方包络，增强冲击特征

循环分段：根据设备转速将信号按周期分为S段，嵌入先验知识

稀疏性度量：对每段信号计算6种稀疏性指标（p-q均值、负熵、峭度比、基尼指数等）

循环聚合：采用广义平均对分段结果聚合，增强统计鲁棒性

多维评估：综合比较各指标，识别最敏感的故障特征

智能诊断：基于指标阈值或变化趋势判断故障类型和严重程度