工学院工程学术研究论坛（第465期）

报告名称：机械设备状态形态信号特征学习方法研究

报 告 人：沈长青 副教授

时间：12月27日（星期五）10：30 — 12:00

地点：机电楼207会议室

报告摘要：

对机械装备轴承等关键对象的健康状态监测正在步入大数据、智能化时代。在获得充足数据的前提下，利用现代数据挖掘方法可以从中学习、提取更具代表性的特征，对故障诊断的准确性起到关键作用。传统的轴承故障诊断方法大多数依靠人工提取特征，这需要依赖于复杂的信号处理方法以及丰富的专业经验积累。深度学习方法作为一种可以学习数据深层次特征的新的机器学习方法，给大数据背景下机械装备状态监测与故障诊断带来契机。深度学习模型引入机械故障诊断领域，对其运行效率、故障识别精度进行提升，将进一步提高基于深度学习方法在故障诊断领域的实用性。汇报人将介绍研究团队在卷积神经网络、深度置信网络等模型优化方面所做的工作，具体涉及学习率动态优化的的卷积神经网络，以及基于Nesterov动量法的独立自适应学习率的深度信念网络，实现加快模型训练，提高模型的泛化能力。试验结果表明，在诊断精度上，相比传统方法和标准深度网络模型，提出的方法对相关数据集处理上均获得了较高的精度；在运行效率上，相比现有一些优化算法，优化模型能够稳定有效的加快模型训练速度，提升泛化能力，有效地实现机械故障诊断。

个人简介：

沈长青，1987年出生于江苏南通，苏州大学轨道交通学院副教授，先后入选苏州大学首批“优秀青年学者”，江苏省科协青年科技人才托举工程、江苏省“六大人才高峰”高层次人才，是中国振动工程学会故障诊断专业委员会、转子动力学委员会理事。沈博士先后就读于中国科学技术大学和香港城市大学，于2014年获香港城市大学哲学博士学位。研究方向为旋转机械设备信号处理、健康状态监测与智能诊断。先后主持国家自然科学基金面上项目1项，青年项目1项，已主持结题省部级、市厅级科研项目4项，在国内外期刊会议上发表SCI、EI检索论文40余篇，基于Google Scholars检索，论文被引用1000多次，单篇最高SCI他引超过100次，其中ESI高被引论文3篇，另有授权国家发明专利8项。此外，沈博士也是Mechanical Systems and Signal Processing、Journal of Sound and Vibration、IEEE Transactions on Industrial Electronics等20余种权威SCI期刊同行评议人。

    请工学院机电系的老师、研究生和本科生参加，欢迎其他有兴趣的师生参加！

工学院

2019年12月24日