内容较长，可直接点击感兴趣专题名称跳转查看

专题一

(直播4天)

数据驱动智能故障诊断技术应用与实践

2025年12月13日-12月14日

2025年12月20日-12月21日

专题二

(直播5天)

机器学习驱动的智能化电池管理

2025年11月08日-11月09日

2025年11月15日-11月17日

专题三

(直播4天)

机器学习在智能水泥基复合材料中的应用与实践

2025年11月22日-11月23日

2025年11月29日-11月30日

专题四

(直播4天)

2025年11月08日-11月09日

2025年11月15日-11月16日

专题五

(直播4天)

基于AI智能算法的装备结构可靠性分析与优化设计技术

2025年12月06日-12月07日

2025年12月13日-12月14日

目录

主要内容

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。

图 1.1 智能故障诊断发展阶段示意图

 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。

图 2.1 包络谱分析流程

图 2.2 小波包能量分布与特征差异图

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

图 3.1 SVM 特征空间分类边界示意图

图 3.2 不同模型特征重要性可视化结果

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 wavelet packet decomposition and improved 1D-CNN,

方法要点：one-dimensional convolutional neural network (1D-CNN)、wavelet packet decomposition (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

图 4.1 1D-CNN 结构与特征图可视化示意图

图 4.2 用于轴承故障诊断的改进一维 CNN 模型的架构

图 4.3使用改进的 1D-CNN 和原始 1D-CNN 模型比较 4 种特征提取方法（WPD、EMD、VMD 和 FMD）的故障识别性能的混淆矩阵

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

图 5.1基于DANN模型的故障仿真流程图

图 5.2 零样本故障诊断方法的流程图

图 5.3 基于加速度计信号的故障诊断迁移学习任务结果

六、物理信息神经网（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 data-physic driven method for gear fault diagnosis using PINN and pseudo-dynamic features

方法要点：在损失函数中嵌入物理方程约束，保证预测结果满足系统动力学规律

课程案例：

一、基于 PINN 的齿轮动态系统动力学参数反演实验 —— 通过物理残差约束实现参数估计

二、基于PYTORCH 版基于注意力机制的小样本故障诊断的 1D-Grad-CAM 融合诊断模型 —— 结合少量实测数据与物理规律提高预测精度

图6.1、单正齿轮副的 4 自由度动力学模型

图 6.2 、基于小样本的故障诊断框架

七、论文精讲与研究展望

通过精讲高被引论文《Deep transfer learning strategy in intelligent fault diagnosis of rotating machinery》，帮助学员掌握科研逻辑与论文结构，重点拆解该论文的研究问题、创新点与实验设计，并基于此开展论文核心思想（深度迁移诊断模型）的复现实践，让学员在理论学习与动手验证中深化对旋转机械智能故障诊断技术的理解；并进一步围绕 “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

目录

主要内容

关键理论与软件

二次开发使用方法

1.   基础理论：

1.1.复合材料均质化理论（Eshelby方法、代表性体积单元RVE）论文详述

1.2.有限元在复合材料建模中的关键问题（网格划分、周期性边界条件）

1.3.神经网络基础与迁移学习原理（DNN、CNN、Domain Adaptation）

1.4.纤维复合材料的损伤理论（Tsai-Wu准则、Hashin准则）

实践1：软件环境配置与二次开发方法实践

☆ ABAQUS/Python脚本交互（基于论文中RVE建模案例）

☆ ABAQUS GUI操作与Python脚本自动化建模

☆ 输出应力-应变场数据的文件格式标准化

☆ ABAQUS二次开发框架搭建

☆ 基于ABAQUS二次开发程序的Hashin/Tsai-Wu失效分析有限元实践

☆ TexGen软件安装及GUI界面操作介绍、Python脚本参数化方法

☆ 三维编织/机织纤维复合材料几何模型及网格划分方法

多尺度建模与数据生成方法

1.   复合材料多尺度建模与仿真分析方法

1.1.多相复合材料界面（纤维/基质界面）理论机理（Cohesive模型）

1.2.连续纤维复合材料RVE建模（纤维分布算法、周期性边界条件实现）

1.3.参数化设计：纤维体积分数、纤维直径随机性等对性能的影响

1.4.双尺度有限元仿真方法原理及理论（FE2方法）

1.5.直接双尺度有限元仿真方法原理及理论方法（Direct FE2方法）

实践2：大批量仿真分析与数据处理方法

☆ 考虑界面结合（Cohesive模型）的复合材料分析模型建立

☆ 基于Python的ABAQUS批量仿真（PyCharm嵌入ABAQUS计算内核）

☆ 基于PowerShell调用Python FEA脚本解决动态内存爆炸问题

☆ 控制纤维体分比的纤维丝束生成算法（RSE）

☆ 编写脚本生成不同纤维排布的RVE模型

☆ 输出训练数据集（应变能密度、弹性等效属性等）

☆ ABAQUS实现Direct   FE2方法仿真分析（复合材料）

深度学习模型构建与训练

1.   深度学习模型设计：

1.1.基于多层感知机（DNN）的训练预测网络

1.2.基于卷积神经网络（CNN）的跨尺度特征提取网络（ResNet/DenseNet）

1.3.复合材料的多模态深度学习方法（结构特征提取+材料属性）

1.4.三维结构（多相复合材料/单相多孔材料）的特征处理及预测方法

1.5.物理信息神经网络（PINN）：将物理信息融合到深度学习中

1.6.迁移学习策略：预训练模型在新型复合材料中的参数微调

实践3：代码实现与训练

☆ 深度学习框架PyTorch/TensorFlow模型搭建

☆ 构建多层感知机（DNN）的训练预测网络

☆ 数据增强技巧：对有限元数据进行噪声注入与归一化

☆ 构建二维结构的特征处理及预测网络（CNN—ResNet/DenseNet）+多模态学习预测

☆ 构建三维结构的特征处理及预测网络（三维卷积神经网络）

☆ 建立物理信息神经网络（PINN）学习预测模型

迁移学习与跨领域应用

1.   迁移学习理论深化

1.1.归纳迁移学习与迁移式学习理论深入详解与应用

1.2.归纳迁移学习在跨领域学习预测中的应用

1.3.领域自适应（Domain Adaptation）在材料跨尺度预测中的应用

1.4.案例：碳纤维→玻璃纤维、树脂基质→金属基质的性能预测迁移

实践4：基于预训练模型的迁移学习

☆ 迁移学习神经网络模型的搭建

☆ 归纳学习方法：加载预训练模型权重，针对新材料类型进行微调

☆ 领域自适应：使用领域自适应方法预测未知新材料相关属性

☆ 使用TensorBoard可视化训练过程与性能对比

实践5：端到端复合材料性能预测系统开发

☆ 参数化建模→有限元计算→神经网络预测→结果可视化全流程实现