近日，我院李庆副教授团队在《Applied Soft Computing》（中科院一区Top期刊，IF：7.2) 与《IEEE Transactions on Instrumentation and Measurement》(IF：5.6) 期刊刊发装备故障诊断与智能运维领域的两篇研究成果，题为“Wavelet-based spatiotemporal sparse quaternion dictionary learning for reconstruction of multi-channel vibration data”与“Fault diagnosis of gearbox based on cross-domain transfer learning with fine-tuning mechanism using unbalanced samples”。这两项成果分别解决了装备监测大数据远程终端重建以及齿轮箱跨域微调故障迁移诊断问题。
针对机械装备服役工况交替、多微弱故障信息耦合、故障模式快变不明的监测大数据，突破传统随机采样、噪声敏感以及逐通道重建的瓶颈限制，提出了小波基框架下时空稀疏四元数字典学习的多通道数据重建方法，阐述了装备大数据稀疏表达与终端重建的机理，结合相空间轨迹和庞加莱截面等混沌动力学方法，利用轴承加速寿命测试数据与玉米脱粒机故障振动数据验证了提出方法的有效性。研究成果可为大数据驱动的装备智能监控与预测性维护提供理论依据。
另一项研究针对齿轮箱振动故障标签不足以及跨设备源域与目标域故障数据特征分布差异大的痛点问题，提出了一种非平衡小样本下考虑微调机制的齿轮箱跨域故障迁移学习方法，将监测振动信号变换为二维热图，通过预训练VGG16模型进行网络层权重冻结与学习率微调策略，显著提高了模型收敛速度、识别精度以及泛化能力。
工学院李庆副教授与2023级研究生孙强分别为第一作者，安徽农业大学为第一单位。上述研究工作得到国家自然科学基金、安徽省重点实验室基金、高层次人才启动基金项目资助。（文/图/ 李庆 编辑/陈鑫诚 审核/杨洋）
论文链接：
https://www.sciencedirect.com/science/article/pii/S1568494624011281
https://ieeexplore.ieee.org/document/10559898
