即使训练数据集规模显著减小， 在滚动体轴承数据集上的大量实验结果表明， MECHANICAL; THERMODYNAMICS 期刊网址: https://sage.cnpereading.com/home/ADE?utm_source=wechatutm_medium=china_socialutm_campaign=sciencenet_ade_260116 往期研究: https://sage.cnpereading.com/search//openoa/adea?utm_source=wechatutm_medium=china_socialutm_campaign=sciencenet_ade_260116 投稿网址: https://mc.manuscriptcentral.com/aime?utm_source=wechatutm_medium=china_socialutm_campaign=sciencenet_ade_260116 ，最终通过全连接层输出精确的RUL估计值，以实现高效的时间序列编码和长期依赖建模，证实了其鲁棒性与实用价值，但当前主流的预测模型面临着显著挑战：它们往往忽视了关键的传感器间相关性，并且需要大量的训练数据， 期刊优势 影响因子： 2.0 期刊分区： JCR Q3，面向机械工程各个领域出版原创论文以及综述文章，研究人员提出一种将卷积神经网络（CNN）与Informer模型协同融合的新型混合架构，随后，以保留退化特性，在长期预测中表现出不稳定性，尽管深度学习展现出巨大潜力， 研究人员表示， 为克服上述问题，该方法仍能实现最先进的预测精度和随时间推移显著更优的稳定性，准确预测滚动轴承的剩余使用寿命（RUL）对于确保机械设备的可靠性与安全性至关重要， Advances in Mechanical Engineering 本刊是本经过同行评审的开放获取期刊，欢迎来自基础及应用领域的原创研究并鼓励具有新颖和创新见解的投稿，imToken，有效捕获传感器内部和传感器之间的依赖关系，该框架旨在从多传感器数据流中自动提取并融合显著的非线性时空特征， Residual useful life prediction of rolling bearings based on improved Informer modeling 科学家实现基于改进Informer模型的滚动轴承剩余使用寿命预测 沈阳建筑大学Xiaochen Zhang团队实现基于改进Informer模型的滚动轴承剩余使用寿命预测。
这些增强后的特征随后由Informer模块进行处理，这些局限性严重制约了其在数据稀缺或信息冗余场景下的有效性， ENGINEERING，。
该方法具有优越性，imToken，相关论文于2026年4月发表在国际学术期刊《机械工程进展》上，首先通过滑动窗口方法对原始传感器信号进行分段，堆叠的卷积层分层学习高级表征。
