近日,机电工程学院智能制造系青年教师马森财在机械设备智能故障诊断研究中取得重要进展,研究成果以“Research on modular cloud transformation fault diagnosis for mechanical equipment considering the simultaneous long-tailed and high-dimensional factors”为题,于2月24日在线发表于仪器仪表与工程综合领域的国际顶级期刊《ISA Transactions》(IF:6.5,Q1,中国科学院二区Top期刊)。

随着人工智能、传感器与数据分析技术的协同发展,机械设备的大规模健康监测与故障诊断已成为可能。然而,装备监测数据往往呈现出工业大数据的典型特征,即数据量庞大、特征维度高、高价值故障样本稀疏。针对故障诊断过程中数据普遍存在的“维数灾难”与“长尾分布”难题,本研究提出了一种名为“云增强与云选择”(Cloud Augmentation and Cloud Selection,CACS)的模块化智能诊断框架。该框架利用基于特征云的变换技术,实现了故障样本的增强与特征维数的系统化约简。该方法在齿轮和轴承的高维、长尾故障数据集上进行了验证,实验结果表明其具有较好的诊断性能。该研究为复杂工业背景下机械装备的智能故障诊断提供了新思路。该研究工作得到了国家自然科学基金等项目的资助。(图:马森财;文:王有良;审核:侯运丰)