摘要：在机电装备预测与健康管理（PHM）领域，带标签监测数据承载着反映装备服役性能退化与预测维护的关键信息。通常，设备健康状况下的服役数据很容易采集，但实际中故障状态下的数据却鲜少采集，带标签监测数据不完整成为PHM发展的瓶颈问题。长短时记忆神经网络（LSTM）是构建状态监测数据时间序列表征的理想模型。然而，基于最小化泛化误差的超参数LSTM不能很好地区分设备健康与故障状态。为解决上述难题，提出了融合物理信息的LSTM超参数选择方法。核心思想是根据故障引起何种状态监测特征的物理知识，仿真故障特征信号并添加到监测数据中，得到理想状态下的故障退化数据，进而利用最大化“理想故障”和健康状态之间的数据特征差异，进行超参数选择与优化。本讲座以齿轮裂纹与磨损两种常见的故障检测作为案例，讨论了上述方法的理论可行性与工程实用性，为PHM领域提供故障检测新方法。
陈岳剑，同济大学铁道与城市轨道交通研究院助理教授，硕士研究生导师，上海市领军人才获得者，博士毕业于加拿大阿尔伯特大学机械工程。研究方向包括时间序列分析、机器学习、信号处理等理论方法及其在旋转机械故障诊断的应用。陈博士目前已在Mechanical Systems and Signal Processing等高水平SCI期刊发表论文10余篇，获得授权发明专利10项（其中3项排名第一，1项产业化）。陈博士还获得过阿尔伯特未来科技创新奖学金、国际预测与健康管理数据竞赛第三名、加拿大旋转机械年会最佳学生论文奖等诸多学术科研奖励。
时间：3月2日18:05-19:05（周三） 国合楼329