尊敬的读者朋友，感谢您长期以来对本公众号的关注与支持。随着公众号即将突破万人关注，我们特此推出两篇关于锂离子电池和机械轴承的学术辑览，共同庆祝这一里程碑。此辑览汇集了公众号往期原创推送，选题依据读者兴趣与学术前沿，旨在便于读者查阅并促进学术探讨。谢君长久之支持，愿此辑为君增益。
1、基于混合注意力的多小波系数融合滚动轴承剩余寿命预测方法
摘要：单一的小波基函数很难适用于所有的周期瞬态波形，本研究提出了一种基于混合注意力的多小波系数融合方法来评估轴承的剩余使用寿命，利用多个小波和一种基于注意力的混合卷积长短期记忆网络(HA-ConvLSTM)，评估剩余寿命(RUL)。
2、ReF-DDPM: 一种基于DDPM的滚动轴承故障诊断数据增强新方法
摘要：现有的主要基于生成对抗网络（GAN）的数据增强方法在生成样本的质量和多样性之间的平衡方面仍然存在挑战。为了解决这一问题，本文提出了一种重参数化残差去噪扩散概率模型（ReF-DDPM），并将其应用于故障诊断，提高了不平衡故障诊断的准确性。
3、基于深度隐变量状态空间模型的轴承退化预测
摘要：针对线性函数或简单的非线性函数无法适应实际应用中复杂多变的非线性退化过程的问题，论文开发了一种基于深度隐变量的状态空间退化模型，并将其应用于轴承退化预测。所提方法继承了状态空间模型的优点，并引入了微分预变换，提高了模型的长期预测性能。
4、一种全新滚动轴承局部缺陷扩展动态更新和实时映射的数字孪生模型
摘要：针对轴承局部陷尺寸难以实时监测的问题，本文提出了一种新的数字孪生模型，用于滚动轴承局部缺陷扩展的动态更新和实时映射，准确地表征滚动轴承全寿命周期内的局部缺陷扩展。
摘要：针对轴承寿命周期数据不足以有效训练RUL预测模型的问题，本文提出了一种数字孪生驱动的图领域自适应方法。通过构建动态数字孪生模型，生成足够的性能退化孪生数据，并提出一种新颖的多层跨域门控图卷积网络，实现了较好的轴承RUL预测。
摘要：针对现有的 RUL 预测方法在感知长期特征和捕捉周期依赖方面不足 的问题，本文提出了一种基于物理信息的轴承 RUL 预测方法，即多状态时频网络（MSTFN），有效地将IDFT频域块与循环神经网络相结合，实现了更准确的轴承寿命预测。
摘要：针对轴承寿命机理分析方法使用困难，预测精度低的问题，本文提出了一种能够适应各种工况的特征转移预测网络（FTPN），结合人工智能领域的神经网络方法，通过特征迁移学习的应用以及相应特殊损失函数的建立，获得了较高的预测精度。
10、CBAM增强残差卷积域自适应网络在跨机滚动轴承剩余使用寿命预测中的应用
11、结合神经网络和加权平均去噪法的机床主轴轴承剩余寿命预测研究
