摘要：在機電裝備預測與健康管理（PHM）領域，帶標簽監測數據承載著反映裝備服役性能退化與預測維護的關鍵信息。通常，設備健康狀況下的服役數據很容易采集，但實際中故障狀態下的數據卻鮮少采集，帶標簽監測數據不完整成為PHM發展的瓶頸問題。長短時記憶神經網絡（LSTM）是構建狀態監測數據時間序列表征的理想模型。然而，基於最小化泛化誤差的超參數LSTM不能很好地區分設備健康與故障狀態。為解決上述難題，提出了融合物理信息的LSTM超參數選擇方法。核心思想是根據故障引起何種狀態監測特征的物理知識，仿真故障特征信號並添加到監測數據中，得到理想狀態下的故障退化數據，進而利用最大化“理想故障”和健康狀態之間的數據特征差異，進行超參數選擇與優化。本講座以齒輪裂紋與磨損兩種常見的故障檢測作為案例，討論了上述方法的理論可行性與工程實用性，為PHM領域提供故障檢測新方法。
陳嶽劍，同濟大學鐵道與城市軌道交通研究院助理教授，碩士研究生導師，上海市領軍人才獲得者，博士畢業於加拿大阿爾伯特大學機械工程。研究方向包括時間序列分析、機器學習、信號處理等理論方法及其在旋轉機械故障診斷的應用。陳博士目前已在Mechanical Systems and Signal Processing等高水平SCI期刊發表論文10余篇，獲得授權發明專利10項（其中3項排名第一，1項產業化）。陳博士還獲得過阿爾伯特未來科技創新獎學金、國際預測與健康管理數據競賽第三名、加拿大旋轉機械年會最佳學生論文獎等諸多學術科研獎勵。
時間：3月2日18:05-19:05（周三） 國合樓329