我们的使命是将最前沿的人工智能（机器学习、深度学习、大模型等）引入智能传感、智能制造、智能运维等机械工程领域（AI for Science——AI4S、AI for Engineering——AI4E）。传统工业范式仅依赖基于物理原理的建模逻辑，难以捕捉复杂系统中的非线性特征、环境扰动及动态不确定性。为此，本实验室正致力于开发能够基于数据对复杂系统进行推理、学习和预测的算法。这些数据驱动模型将物理规律融入学习算法，以构建更精确的预测模型，从而更好地服务于先进传感、增材制造、机器人、智能运维等工业前沿领域，最终实现工业系统从 “被动响应” 到 “主动决策” 的智能化跃迁。

电阻抗断层成像与智能传感

电阻抗断层成像（Electrical Impedance Tomography, EIT）是一种新兴的非侵入式成像技术，具有结构简单、成本低、成像实时等突出优势，在智能传感领域展现出巨大的研究与应用潜力。围绕EIT与人工智能、柔性电子、嵌入式系统等前沿技术的融合发展，本研究方向致力于构建具备环境感知、自适应反馈与智能判别能力的高通量传感系统。具体应用包括：通过EIT实现对手部肌肉群电活动的精准捕捉与动态解析；在肺部动态成像中，EIT可用于连续监测气体交换与通气状态；在机器人仿生皮肤中，EIT赋予其对压力、滑动、温度等多模态触觉的空间识别能力； EIT可实现复杂结构内部微尺度裂纹与材料不均匀性的无损识别。本研究方向将深入探讨电阻抗信号的高精度重建算法、模型驱动与数据驱动融合方法，以及系统的小型化与低功耗设计，推动EIT向更高分辨率、更强鲁棒性与更广泛应用场景的跨越式发展。

代表性论文：

1. Sen Wang, Tingting Zhang, Sicheng Yang, Ruoyu Liu, Borun Li, Jian Wang, Dewen Zhang^*, Zhibin Zhao^*. A Gesture Recognition System Using Electrical Impedance Tomography with Improved Electrode Layout and Classification Techniques[J]. IEEE Transactions on Instrumentation and Measurement, 2025, 74:1-11.

增材制造过程智能在线监控与质量评价

构建以“AI赋能”为核心，深度融合智能传感、实时调控与多源数据驱动的增材制造过程智能在线监控与质量评价体系对于提升成型质量稳定一致性至关重要。针对多物理场强耦合导致增材制造过程稳定性差、缺陷频发的挑战，开发融合AI的多模态感知系统，实时捕获宏观铺粉信息、熔池动态、粉末流场与热力耦合信息；探索物理信息驱动的神经网络，在线智能建模过程信息与成形质量的关联关系；构建多目标联合的工艺参数动态智能优化模型和贝叶斯模型驱动的工艺参数反馈调控框架，建立“过程监测—质量评估—参数优化—反馈调控”为一体的全链条增材制造在线监控与质量评价系统，为航空航天复杂零部件的高效可靠制造提供智能化解决方案。

代表性论文：

1. Huaqing Zhao, Zhibin Zhao, Chenxi Wang, Xingwu Zhang, Xuefeng Chen. Mitigating domain shift in online process monitoring for material extrusion additive manufacturing via transfer learning[J]. Additive Manufacturing, 2024, 94: 104467.
2. Jiafeng Tang, Zhibin Zhao, Yanjie Guo, Chenxi Wang, Xingwu Zhang, Ruqiang Yan, Xuefeng Chen. Privacy-preserving federated transfer learning for defect identification from highly imbalanced image data in additive manufacturing[J]. Robotics and Computer-Integrated Manufacturing, 2024, 89: 102779.
3. 赵志斌, 王晨希, 张兴武, 陈雪峰, 李应红等. 激光粉末床熔融增材制造过程智能监控研究进展与挑战[J]. 机械工程学报, 2023, 59(19): 253-276.

具身智能与机器人智能检测与维护

具身智能与机器人技术在航空航天重大装备智能检测与维护领域中展现出变革性潜力。传统检测与维护模式依赖人工经验与固定周期干预，存在响应滞后、效率不足、适应性差等瓶颈，而具身智能通过赋予机器人多模态感知、自主决策与物理交互能力，构建“感知-分析-执行”闭环的智能运维体系，为重大装备全生命周期健康管理与智能制造提供创新解决方案。研究内容主要聚焦于机器人视觉-力觉具身感知的融合检测、强化学习和模仿学习赋能的机器人自主检测维护策略、动态和非结构化场景的具身操作及其在航空航天重大装备智能检测与维护中的应用。

代表性论文：

1. Xiaotian Shi, Lu Xu, Haibo Xu, Chuan Jiang, Zhibin Zhao*, Yanjie Guo*, Xuefeng Chen. A 6-DOF humanoid wall-climbing robot with flexible adsorption feet based on negative pressure suction[J]. Mechatronics, 2022, 87: 102889.

锂离子电池与电源系统智能健康管理

随着电动交通与储能系统的广泛应用，锂离子电池及其电源系统对高效、可靠的健康管理提出了更高要求。传统物理建模和数据驱动方法难以同时满足预测精度、可解释性和物理一致性的需求。研究聚焦于物理信息融合神经网络、数字孪生等技术在的锂离子电池和电源系统智能健康管理中的应用，旨在构建具备可解释性与泛化能力的健康管理模型，提升电池和电源系统全生命周期的安全性与可靠性。

代表性论文：

1. Wang F, Zhai Z, Zhao Z*, et al. Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis[J]. Nature Communications, 2024, 15(1): 4332.
2. Di Y, Wang F, Zhao Z, et al. An interpretable graph neural network for real-world satellite power system anomaly detection based on graph filtering[J]. Expert Systems with Applications, 2024, 254: 124348.
3. Wang F, Zhai Z, Liu B, Zheng S, Zhao Z*, et al. Open access dataset, code library and benchmarking deep learning approaches for state-of-health estimation of lithium-ion batteries[J]. Journal of Energy Storage, 2024, 77: 109884.

直升机/航空发动机等重大装备智能运维

人工智能与深度学习在直升机/航空发动机等重大装备监测诊断领域具有重要意义。此类装备结构复杂、运行环境严苛，传统定期运维模式效率低、成本高，而智能运维通过挖掘装备运行数据价值，能实现故障早期预警与精准诊断，大幅提升装备可靠性与安全性。研究内容主要聚焦于稀疏信号处理、信号处理赋能的可解释深度学习、物理信息神经网络等信号分析与人工智能方法及其在直升机/航空发动机等重大装备智能运维中的应用。

代表性论文：

1. Zhibin Zhao, Tianfu Li, Jingyao Wu, Chuang Sun, Shibin Wang, Ruqiang Yan, and Xuefeng Chen "Deep Learning Algorithms for Rotating Machinery Intelligent Diagnosis: An Open Source Benchmark Study," ISA Transactions, 2020, 107: 224-255.
2. Zhibin Zhao, Shuming Wu, Baijie Qiao, Shibin Wang, and Xuefeng Chen, “Enhanced Sparse Period-Group Lasso for Bearing Fault Diagnosis,” IEEE Transactions on Industrial Electronics, 2019, 66(3): 2143-2153.
3. Zhibin Zhao, Tianfu Li, Botao An, Shibin Wang, Baoqing Ding, Xuefeng Chen. Model-driven deep unrolling: Towards interpretable deep learning against noise attacks for intelligent fault diagnosis[J]. ISA transactions, 2022, 129: 644-662.