专    业：工业过程测控与智能化测试

导    师：张俊 教授

毕业去向：首都航天机械有限公司

教育及工作背景：

2019年9月至2022年6月     福州大学   工业过程测控与智能化测试   工学硕士学位

2015年9月至2019年6月    福州大学   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.横向课题，基于数据驱动的XXXX加工虚实映射技术研究，2021-2023，参与

发表论文：

1.Xu Baoming, Shi Jiancong, Zhong Min, Zhang Jun*. Incipient fault diagnosis of planetary gearboxes based on an adaptive parameter-induced stochastic resonance method[J]. Applied Acoustics, 2022, 188(5):108587.

2.Zhang Jianqun. Xu Baoming, Wang Zhenya, Zhang Jun*. An FSK-MBCNN based method for compound fault diagnosis in wind turbine gearboxes[J]. Measurement, 2021. 172.

硕士学位论文简介：

基于深度学习的乏样本下滚动轴承跨工况故障诊断与剩余寿命预测

深度学习是滚动轴承故障诊断和剩余寿命预测领域中最有前景的方法之一。在实践中，受限于同分布条件，深度学习算法需采集所有工况下的数据进行训练，以保证模型的有效性。然而，由于滚动轴承的运行工况复杂多变，采集所有运行工况下的标签数据代价昂贵，导致了训练数据集样本缺乏的问题。针对此问题，本文拟采用深度学习算法，开展乏样本下滚动轴承跨工况故障诊断与剩余寿命预测方法研究。主要研究内容包括：（1）典型深度学习模型泛化性能探究；（2）无标签样本下跨工况轴承故障诊断；（3）零样本下跨工况轴承故障诊断；（4）零样本下跨工况轴承剩余寿命预测。 

首先，为探究典型深度学习模型对于不同工况数据的泛化效果，搭建感知器网络(MLP)、卷积网络(CNN)、门控神经单元(GRU)和注意力机制(AM)四种网络模型，并通过跨工况风机轴承故障诊断实验，分析了四种模型对不同转速与负载工况下轴承故障类型的诊断能力。 

其次，针对无标签样本下跨工况轴承故障难以诊断的问题，提出一种基于深度卷积对抗网络(DCAN)的领域自适应方法。通过在搭建好的CNN模型中增加领域判别器，来对无标签样本的目标域数据和有标签的源域数据进行对抗训练，从而实现领域自适应。跨工况风机轴承故障诊断实验表明，DCAN可以在无标签样本下识别跨工况轴承的故障类型。 

再次，针对零样本下跨工况轴承故障难以诊断的问题，提出一种基于数据增强技术与改进CNN的领域泛化方法。该方法首先依据电机转速等先验信息对输入数据进行处理，以减弱跨工况数据之间的分布差异。其次，对CNN模型的激活函数以及卷积核宽度进行改进，以提升模型提取数据特征的能力。最后，通过滚动轴承跨工况故障诊断实验，证明了所提方法的有效性和稳定性。 

最后，针对零样本下跨工况轴承剩余寿命难以预测的问题，提出一种基于局部特征提取的滚动轴承剩余寿命预测方法。该方法首先搭建一个基于局部特征提取的故障诊断模型，并依据该模型的诊断结果将轴承全寿命周期数据分为健康阶段和故障阶段。其次，搭建一个预测器以替换故障诊断模型中的分类器，并使用故障阶段的源域数据进行训练。最后，通过轴承全寿命周期振动数据进行剩余寿命预测实验，证明了所提方法的有效性。