随着工业 4.0 与智能制造深入推进装备智能诊断与预测性维护正经历从自动化向自主化的关键转型。传统依赖专家经验与阈值规则的模式已难以应对现代工业装备的复杂动态工况与高可靠性要求。以深度学习、迁移学习和物理信息神经网络为代表的新一代 AI 技术正通过数据驱动与物理机理的深度融合推动诊断范式实现从“信号感知”到“特征认知”、从“故障识别”到“寿命预测”的跨越。二、培训对象航空航天科学与工程、能源与动力、计算机工程、计算机工程、自动化技术、工业通用技术、车辆工程、电子电子、机械工程、船舶与海洋工程等领域的科研人员及相关行业从业者、跨领域研究人员。三、培训特色前沿技术与理论深度融合课程涵盖从传统振动分析到时频域方法再到深度学习、迁移学习、物理信息神经网络等前沿智能诊断技术结合旋转机械故障特性使学员系统掌握最新技术动态及其在工业诊断中的应用递进式案例实践教学通过包络谱分析轴承故障、1D-CNN 自动特征提取、LSTM 寿命预测、DANN 跨域迁移等递进式案例实践让学员在解决实际诊断问题的过程中深化理论理解提升工程应用能力多学科知识交叉融合课程内容深度融合机械动力学、信号处理、计算机科学等多个学科领域培养学员建立“机理数据”双驱动的跨学科思维全面提升解决复杂诊断问题的能力系统化与针对性并重从振动分析基础讲起逐步深入到深度学习、迁移学习等核心内容系统构建知识体系同时针对性解决旋转机械故障诊断中的小样本、跨工况等特定挑战先进工具与平台实战应用课程基于 Python 生态实战应用 scikit-learn、TensorFlow/PyTorch等主流框架使学员熟练掌握智能诊断所需的完整工具链提升从算法实现到工业应用的转化效率突出物理机理融合掌握诊断技术新范式 引入物理信息神经网络PINN教授如何将动力学方程作为约束嵌入深度学习模型实现数据驱动与物理规律的深度融合提升模型在数据稀缺场景下的可靠性与泛化能力数据驱动智能故障诊断技术应用与实践一、智能故障诊断的现状与挑战方法背景机械设备健康监测经历了从经验驱动到数据驱动、再到物理-数据融合的演进。学术渊源“A comprehensive review on machinery fault diagnosis,” MSSP, 2022 总结了当前研究现状与未来挑战。方法要点主要挑战包括小样本问题、跨工况适应、模型可解释性不足课程案例一、基于综述问题的智能故障诊断研究路径分析 —— 帮助学生理解从传统方法到深度模型的演进逻辑。二、振动信号分析方法论方法背景振动信号是旋转机械故障诊断的主要信息源分析方法包括时域、频域和时频域学术渊源Randall, “Vibration-based Condition Monitoring,” Wiley, 2011 系统总结了传统振动分析方法方法要点时域RMS、峭度、频域频谱峰值、时频域小波变换、包络分析课程案例一、基于包络谱分析的滚动轴承外圈故障识别 —— 通过包络解调提取故障频率特征验证时频域分析的有效性。二、 基于小波包能量熵的多工况轴承特征提取方法 —— 比较不同小波基在信号分解中的效果。三、基于特征学习的智能故障诊断方法方法背景传统机器学习通过人工特征与分类模型结合实现早期智能故障识别。学术渊源Rolling bearing fault diagnosis based on RQA with STD and WOA-SVM方法要点SVM、随机森林、梯度提升树等模型在小样本与特征维度受限场景下表现良好。课程案例一、基于 SVM 的滚动轴承外圈故障识别实验 —— 通过提取 RMS、峭度特征实现二分类诊断二、基于集成学习的多工况轴承故障识别性能对比研究 —— 基于预测性维护的 FD 模型的特征重要性四、深度学习及其应用方法背景深度学习通过端到端的特征学习显著提升故障识别鲁棒性学术渊源Fault diagnosis of air conditioning compressor bearings using waveletpacket decomposition and improved 1D-CNN,方法要点one-dimensional convolutional neural network (1D-CNN)、wavelet packetdecomposition (WPD) 、variational mode decomposition (VMD)。课程案例一、基于 1D-CNN 的轴承振动信号自动特征提取与故障分类 —— 展示卷积层对原始信号特征的自学习能力二、基于 LSTM 的滚动轴承寿命预测与退化趋势建模 —— 利用时间序列特征预测设备剩余寿命RUL三、基于支持向量机 SVM、k 最近邻 KNN、随机森林 RF、XGBoost 和人工神经网络的电力变压器故障检测通用模型五、迁移学习及应用方法背景迁移学习解决源域与目标域分布不一致问题提升模型跨工况泛化能力。学术渊源Zero/few-shot fault diagnosis of rotary mechanism in rotational inertial navigation system based on digital twin and transfer learning方法要点领域自适应、特征迁移、小样本学习等关键方向课程案例一、基于 DANN 的不同负载工况轴承信号跨域迁移诊断 —— 通过迁移学习实现轴承故障诊断。二、基于 Uni-Faultg 的小样本齿轮箱故障快速识别方法 —— 利用原型网络在极少样本下完成分类任务三、基于 PCA-小波特征融合的跨工况特征迁移诊断模型 —— 融合统计与频域特征提升迁移鲁棒性六、物理信息神经网络PINN方法背景PINN 结合物理约束与神经网络学习提高模型在数据稀缺场景下的可信性学术渊源A />七、论文精讲与研究展望“跨域、可解释与物理融合诊断前沿” 展开未来趋势讨论既总结当前旋转机械故障诊断领域的核心研究方向为学员后续的论文选题提供贴合领域发展的启发形成 “理论学习实践验证 - 方向探索” 的完整教学链条