专    业：机械制造及其自动化

导    师：张俊 教授

毕业去向：同济大学攻博

教育及工作背景：

2017年9月至2020年6月     福州大学   机械制造及其自动化   工学硕士学位

2013年9月至2017年6月    东华理工大学   机械设计制造及其自动化  工学学士学位

研究方向：

传动系统故障诊断

参与科研项目：

1.国自然面上项目，行星传动齿面磨损与动力学行为交互作用机理研究（51375013），参与

2.国自然面上项目，少齿差锥齿轮章动减速器多源误差扰动机制与精度退化机理研究（51875105），2019-2022，参与

发表论文：

1.张俊,钟敏,张建群,等.集成TEO解调和随机共振的行星齿轮箱早期故障诊断方法[J].振动工程学报,2019,32(06):1084-1093. 

2. Zhang Jun, Zhang Jianqun, Zhong Min, et al. Detection for incipient damages of wind turbine rolling bearing based on VMD-AMCKD method[J]. IEEE Access, 2019, 7: 67944-67959. 

3. Zhang Jianqun, Zhong Min, Zhang Jun. Detection for weak fault in planetary gear trains based on an improved maximum correlation kurtosis deconvolution[J]. Measurement Science and Technology, 2019, 31(2): 025101. 

4.张俊,张建群,钟敏,等.基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断[J].振动.测试与诊断,2020,40(02):287-296+418. 

5. Zhang Jianqun, Zhang Jun, Zhong Min, et al. A GOA-MSVM based strategy to achieve high fault identification accuracy for rotating machinery under different load conditions[J]. Measurement, 2020, 163: 108067. 

6. Zhang Jianqun, Xu Baoming, Wang Zhenya, et al. An FSK-MBCNN based method for compound fault diagnosis in wind turbine gearboxes[J]. Measurement, 2021, 172: 108933.

授权专利：

1.张俊,张建群,钟敏,等.基于GS-SVM的不同工况下轴承损伤程度诊断方法[P]. 福建省：CN109829402B,2022-08-30. 

2.张俊,张建群,钟敏,等.谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法[P]. 福建省：CN110455530B,2021-08-31. 

3.张俊,钟敏,张建群,等.基于GOA-ASR的行星齿轮箱早期故障诊断方法[P]. 福建省：CN109765052B,2021-02-26. 

4.张俊,汤伟民,王扬威,等.风力发电机叶轮不平衡补偿装置[P]. 福建省：CN210290003U,2020-04-10. 

5.张俊,张建群,钟敏,等.一种基于VMD-AMCKD的行星齿轮箱早期故障诊断方法[P]. 福建省：CN109029977B,2019-12-31. 

6.张俊,詹鹏飞,许涛,等.一种湿纸巾折叠机[P]. 福建省：CN209383154U,2019-09-13. 

7.张俊,钟敏,张建群,等.基于TEO解调和随机共振的行星齿轮箱早期故障诊断方法[P]. 福建省：CN108444698B,2019-07-09.

荣誉与奖励：

2018年  福建省研究生数学建模竞赛三等奖 

2018年  硕士研究生国家奖学金

2019年  福州大学国际文化节活动 优秀志愿者队长 

2019年  福州大学研究生优秀学业奖 一等奖学金 

2019年  硕士研究生国家奖学金 

2020年  福建省研究生优秀学位论文

硕士学位论文简介：

基于振动信号分析的风机齿轮箱故障诊断及关键零部件性能退化评估

风机齿轮箱因其恶劣的工作环境，极易发生齿轮和滚动轴承故障。为降低由齿轮和滚动轴承故障引发的停机时长和运维费用，本论文拟开展基于振动信号分析的风机齿轮箱故障诊断及关键零部件性能退化评估研究。主要研究内容包括：（1）齿轮箱复合故障诊断；（2）齿轮箱微弱故障诊断；（3）齿轮箱故障智能分类识别；（4）关键零部件（以滚动轴承为例）性能退化评估。 

首先，针对变分模态分解(VMD)中关键参数难以确定这一问题，分别采用蚱蜢优化算法(GOA)和中心频率观察法对其进行了优选。研究结果表明：二种方法均能够获得良好的分解效果，但相对而言，中心频率观察法操作更为简便且能避免过分解问题。在该研究基础上，基于故障特征分离的策略，提出了一种基于VMD的风机齿轮箱复合故障诊断方法。通过对风机齿轮箱复合故障的仿真信号和实验信号进行分析，证明了所提方法的有效性。 

其次，针对仅使用VMD难以提取齿轮箱微弱故障特征的问题，提出了一种基于VMD-MOMEDA的风机齿轮箱微弱故障诊断方法。在对原始信号进行VMD分解后，进一步引入MOMEDA方法增强其中的微弱故障成分。与此同时，采用GOA实现MOMEDA两个参数的自适应选择。通过对微弱轴承故障信号和太阳轮磨损故障信号进行分析，证明了所提方法能够有效地诊断出微弱故障。 

再次，针对传统故障诊断方法论无法识别故障程度这一问题，提出了一种基于GOA-SVM的风机齿轮箱故障识别方法。通过提取各故障信号的时域特征、频域特征、VMD样本熵，构建出新的特征向量。以此为依据，采用GOA对SVM的参数进行了优选。运用所提方法分别对太阳轮故障和滚动轴承故障进行了识别。两个案例的识别准确率均超过98%，证明了所提方法不仅能够识别不同类型的故障，还能识别出同类故障的不同损伤程度。 

最后，针对GOA-SVM仅能够定性识别故障程度、无法定量识别零部件损伤状态这一问题，提出了一种基于GOA-SVDD的滚动轴承性能退化评估方法。依据特征指标的敏感性和单调性，从众多特征中筛选出能够反映滚动轴承性能退化的特征。鉴于现有高斯核函数无法评估轴承性能退化，对其进行了改进，并使用GOA优化SVDD参数，再用改进的降半柯西型隶属度函数作为最终性能退化指标。辛辛那提大学轴承全寿命数据的分析结果，验证了所提方法的有效性。