第一作者：刘长昊【加拿大多伦多大学   全奖直博】，西安交通大学机械工程学院智能制造2203班

题目：Neuromorphic computing-enabled generalized machine fault diagnosis with dynamic vision

入选ESI高被引论文（前1%）

动态视觉 + 神经形态计算

期刊：Advanced Engineering Informatics（中科院1区top SCI期刊，影响因子9.9）

 摘要：旋转机械在现代工业中发挥着关键作用，准确的故障诊断对于确保其可靠运行至关重要。近年来，事件相机作为一种非接触式振动测量与旋转机械故障诊断的新兴工具备受关注。然而，监测角度、光照条件等相机因素会对诊断性能产生显著影响。简单训练的模型难以适应新测试场景中的因素变化。针对这一问题，本文提出了一种基于神经形态计算的通用非接触式故障诊断方法。通过事件相机在不同运行条件下采集动态视觉数据，并开发了一种动态视觉数据表示方法，将事件流转换为适合神经形态脉冲神经网络处理的特征。此外，我们提出了一种专门设计的神经形态领域泛化方法，以提升在不同工作条件下的泛化能力。通过大量实验验证了该方法的领域泛化性能，并与主流领域泛化技术进行了对比。结果表明，该方法在不同条件下均能实现稳健的诊断性能，验证了其在潜在工业应用中的有效性。
    论文链接：https://www.sciencedirect.com/science/article/pii/S1474034625001934?via%3Dihub

第一作者：宫梓涵，西安交通大学机械工程学院智能制造钱学森班

题目：Generalized Foundation Model for Lithium-ion Battery State-of-Health Prediction with Distribution Metric Learning

大模型 + 电池健康预测
            

期刊：Journal of Energy Storage（中科院2区SCI期刊，影响因子9.8）

摘要：随着电动汽车和锂离子电池的迅速普及，对电池健康状态的准确评估变得越来越重要至关重要。然而，电池类型和运行条件的变化往往导致数据集之间的分布差异，标注数据的稀缺性也导致基于单一数据集的健康预测变得尤为具有挑战性。为了解决这些问题，本文提出了一种通用基础大模型针对少样本电池健康状态估计方法，使用来自多个数据集的数据进行训练源域。所提出的方法采用最大均值差异来最小化不同域之间的特征分布差距，并且将ResNet-Transformer混合架构与KolmogorovArnold网络相结合，以增强非线性特征表示。通过利用该模型能够有效地处理来自多个领域的电压、电流和时间数据学习电池退化的广义知识，并将其迁移到目标上用于稳健的健康预测的领域。实验结果表明所提出的通用基础大模型即使在数据有限的情况下，也能实现出色的泛化性能，并保持较高的预测精度标记数据。这表明其在实践应用中具有强大的潜力电动汽车的电池健康管理和寿命预测。

论文链接：https://www.sciencedirect.com/science/article/pii/S2352152X26002306?dgcid=coauthor

第一作者：陆子涵，西安交通大学机械工程学院机械工程2302班

题目：Physics-informed multimodal large model for machine fault diagnosis with dynamic vision

多模态大模型 + 动态视觉

期刊：Structural Health Monitoring（中科院2区SCI期刊）

摘要：在现代工业中，机器可靠性至关重要，而基于振动数据的及时、准确且可解释的故障诊断是关键流程之一。传统的接触式振动传感器面临安装限制和信号失真等问题，现有的智能故障诊断方法通常缺乏可解释性。近年来，基于事件的相机因其异步记录和高速特性，成为一种极具前景的非接触式解决方案。同时，大型模型能够在诸多领域提供专家级的解释。为了解决上述故障诊断问题，本文提出了一种基于动态视觉的物理信息多模态大型模型。首先，我们利用动态视觉数据构建视频，并采用频域物理先验信息来指导故障推理。此外，我们还提出了一种独立的分类头，以提升故障诊断和可解释文本生成的效果。实验结果表明，所提出的方法不仅与接触式振动传感方法一样准确，而且还能为机器故障诊断提供合理的专家级解释。凭借其高可解释性、灵活性和准确性，该方法被验证为一种极具潜力的机器故障诊断新工具。
    论文链接：https://journals.sagepub.com/doi/10.1177/14759217261445117

第二作者：蔡德浩（西安交通大学机械工程学院智能制造2203班）

2024 Global Reliability & Prognostics and Health Management Conference

国际会议论文

获奖：The International Journal of Structural Integrity Prize

论文链接：https://ieeexplore.ieee.org/abstract/document/10874504/

期刊：IIEEE Sensors Journal（SCI期刊）

论文链接：https://www.mdpi.com/1424-8220/25/17/5472