近日，能源與動(dòng)力工程學(xué)院李春教授團(tuán)隊(duì)與英國(guó)利物浦約翰摩爾大學(xué)（Liverpool John Moores University）合作在計(jì)算機(jī)科學(xué)信息系統(tǒng)和硬件體系結(jié)構(gòu)雙領(lǐng)域Top 1期刊《信息融合》（Information Fusion，中科院一區(qū)，雙Top1期刊，IF=17.564）上發(fā)表題為《基于多尺度信息融合加權(quán)軟投票規(guī)則多注意模塊的機(jī)器維修故障智能診斷》的研究成果。博士生許子非為第一作者，李春教授為論文通訊作者，上海理工大學(xué)為第一通訊單位。

文章截圖

研究工作圍繞智能故障診斷模型建模中處理多尺度信息的關(guān)鍵科學(xué)問題，針對(duì)復(fù)雜環(huán)境下系統(tǒng)故障診斷中多尺度模型外推效率低、外推不足的問題，首創(chuàng)性地提出權(quán)重軟投票的多尺度決策加權(quán)融合卷積神經(jīng)網(wǎng)絡(luò)模型(HMS-MACNN)。該模型能夠捕獲采集信號(hào)豐富的多尺度特征，包括時(shí)間和頻率多尺度信息。多注意模塊由自適應(yīng)加權(quán)規(guī)則和加權(quán)軟投票規(guī)則兩部分組成，分別在特征層和決策層有效地考慮了不同尺度特征對(duì)故障的貢獻(xiàn)。通過故障實(shí)驗(yàn)結(jié)果驗(yàn)證了該模型的魯棒性和泛化能力，其F1值比同類環(huán)境下已有的基于多尺度CNN的模型提高了27%；比其他通用模型具有更高的精度，能夠準(zhǔn)確地對(duì)不同尺度的特征進(jìn)行注意分配。與傳統(tǒng)的基于CNN的模型相比，利用多注意模塊和混合MS塊在不同融合策略下捕獲多尺度信息和融合高級(jí)特征方面具有卓越的泛化性能。研究成果具有極高的理論創(chuàng)新性，且在機(jī)械設(shè)備無損檢測(cè)中具有非常廣闊的潛在應(yīng)用價(jià)值。

模型框架及主要性能

風(fēng)電已成為我國(guó)實(shí)現(xiàn)“雙碳”目標(biāo)及保證能源戰(zhàn)略安全的重要途徑，聚焦國(guó)家重大需求和經(jīng)濟(jì)主戰(zhàn)場(chǎng)，李春教授團(tuán)隊(duì)較早開展了風(fēng)能開發(fā)和利用等方面的研究，首次提出了基于分形和智能仿生的流動(dòng)自適應(yīng)控制方法、葉片/漂浮式平臺(tái)/塔架結(jié)構(gòu)新構(gòu)型設(shè)計(jì)方法，顯著改善了風(fēng)力機(jī)氣動(dòng)和結(jié)構(gòu)性能。研究工作得到國(guó)家自然科學(xué)基金項(xiàng)目（51676313，51976313）、國(guó)家自然科學(xué)基金-英國(guó)皇家牛頓基金合作交流（NSFC-RS項(xiàng)目，51681230669）和上海市地方院校能力建設(shè)計(jì)劃項(xiàng)目（1906052200）的資助。在風(fēng)電領(lǐng)域出版專著3部、承擔(dān)國(guó)家/省部級(jí)項(xiàng)目10項(xiàng)、SCI論文60余篇（中科院一、二區(qū)論文20余篇）、《熱能動(dòng)力工程》學(xué)術(shù)?？黄冢跈?quán)發(fā)明專利與軟件著作權(quán)30余項(xiàng)。團(tuán)隊(duì)已有6名博士生獲國(guó)家留學(xué)基金委項(xiàng)目資助（CSC）公派留學(xué)聯(lián)合培養(yǎng)，體現(xiàn)了能動(dòng)學(xué)院近年來在國(guó)際合作與人才培養(yǎng)方面取得顯著成效。

論文鏈接：https://doi.org/10.1016/j.inffus.2022.06.005

供稿：能動(dòng)學(xué)院