團隊三：機器學習及應(yīng)用（共9人）

毛文濤,、范黎林,、竇智,、李源,、張艷娜、張帥、李文澤、黃標兵,、王世勛

1. 團隊介紹：

“機器學習及應(yīng)用”科研團隊依托河南師范大學計算機科學與技術(shù)省重點一級學科、“智能制造與光電控制工程”學科群及智慧商務(wù)與物聯(lián)網(wǎng)技術(shù)河南省工程實驗室,。團隊主要由毛文濤,、范黎林、竇智,、李源,、張艷娜、張帥,、李文澤,、黃標兵、王世勛等9名專職教師和多名在校研究生組成,。團隊建設(shè)目標側(cè)重于機器學習理論與實際工程應(yīng)用問題的結(jié)合,，強調(diào)用典型機器學習算法解決工程中的科學問題，解決各相關(guān)應(yīng)用中的關(guān)鍵技術(shù)難點,。團隊骨干成員年齡和職稱結(jié)構(gòu)合理,，均具有博士學歷，在學緣關(guān)系上互補性較強,，工程實踐經(jīng)驗豐富,，創(chuàng)新意識濃厚且富有活力。近年來團隊成員主持國家級項目5項,，省部級以上項目10余項,，在國內(nèi)外重要學術(shù)期刊發(fā)表論文120余篇，其中Top期刊論文6篇,，ESI熱點論文（引用前0.1%）1篇,，ESI高被引論文（引用前1%）7篇,，團隊帶頭人H指數(shù)19,，同時多項成果在企業(yè)得到應(yīng)用,，獲得了較為明顯的經(jīng)濟效益。

2. 團隊研究內(nèi)容：

機器學習是人工智能領(lǐng)域中的一個重要分支,，主要研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為以獲取新的知識或技能,，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。機器學習理論研究涉及矩陣分析,、最優(yōu)化理論,、概率論、統(tǒng)計學,、逼近論,、算法設(shè)計等多門學科，同時在工業(yè)大數(shù)據(jù)分析,、機器視覺,、計算機輔助設(shè)計、芯片設(shè)計等多學科領(lǐng)域取得了成功應(yīng)用,，成為目前一系列智能化工程應(yīng)用的核心和關(guān)鍵技術(shù),。

近年來，本研究團隊在深入研究機器學習相關(guān)理論的同時,，強化機器學習的工程應(yīng)用屬性,，以5G工業(yè)互聯(lián)網(wǎng)和智能制造為整體應(yīng)用背景，圍繞工業(yè)大數(shù)據(jù)分析,、智能運維,、高通量機器視覺處理等一系列工程需求，探索利用機器學習技術(shù)解決典型工業(yè)應(yīng)用中關(guān)鍵科學問題的方案和路徑,，包括深度神經(jīng)網(wǎng)絡(luò)及可解釋性分析,、間歇性/周期性時間序列分析與預(yù)測、遷移學習與領(lǐng)域適配,、各類無監(jiān)督/半監(jiān)督異常檢測算法,、結(jié)構(gòu)化學習等技術(shù)的工程應(yīng)用。在最近的研究工作中,，團隊以5G應(yīng)用場景為出發(fā)點,，側(cè)重于在線場景下的故障預(yù)測和健康管理問題，重點考慮高通量,、低延遲,、大數(shù)據(jù)量的應(yīng)用特點，圍繞健康指標構(gòu)建,、早期故障檢測,、混合類型故障診斷,、剩余壽命預(yù)測等典型問題，從結(jié)構(gòu)化信息和時序信息的角度,，研究面向流數(shù)據(jù)的深度遷移學習,、元學習、表征學習等新型學習范式,，并應(yīng)用于各類旋轉(zhuǎn)機械和電力設(shè)備的實際健康管理問題,，致力于打造高通量、流數(shù)據(jù),、無監(jiān)督的新一代機器學習理論和應(yīng)用框架,，突破現(xiàn)有機器學習面對復(fù)雜場景、快速數(shù)據(jù)采集,、低延遲決策時的瓶頸,，為5G時代智能化健康管理與可靠性運維提供一種智能、高效的解決方案,。

3. 近年高水平研究成果介紹：

成果介紹1：面向5G應(yīng)用的滾動軸承智能在線損傷預(yù)警與故障預(yù)測框架

隨著5G技術(shù)的應(yīng)用普及,，當前在工程現(xiàn)場實時進行早期故障預(yù)警與狀態(tài)預(yù)測的重要性日益突出，但針對滾動軸承等關(guān)鍵零部件的在線辨識,、診斷和預(yù)測技術(shù)還不能完全滿足裝備制造業(yè)發(fā)展的需要,。研究和發(fā)展服役過程中高度智能化、不受工況限制的在線健康預(yù)警與壽命預(yù)測方法已成為當前軸承PHM研究的重點和難點,。團隊從損傷退化機理信息的跨工況遷移入手,，提出了一系列在線小損傷（早期故障）檢測、損傷退化過程監(jiān)測,、健康指標構(gòu)建以及剩余壽命預(yù)測方法,，這些方法靈活組合，組合成了一套完整的,、涵蓋了PHM主要工程環(huán)節(jié)的在線健康管理框架,。該框架包括了早期故障的在線檢測、多類型故障診斷和剩余壽命預(yù)測三個部分,，它們順序進行：早期故障的在線檢測是預(yù)警的第一步,，一旦發(fā)現(xiàn)異常，進行報警,；其次,，診斷具體的故障類型，確定損傷尺度,、位置等信息,；最后，預(yù)測剩余可用壽命，并予以警告,。

與現(xiàn)有的在線采集,、離線診斷的健康管理模式不同，該在線損傷預(yù)警與故障預(yù)測框架為5G場景不停機情況下的早期故障檢測和剩余壽命預(yù)測問題提供了一種全新的檢測模式,，同時具有良好的工程適用性,。該成果是對現(xiàn)有損傷檢測和故障診斷方法的突破，在國際上也位于研究前列,，具有良好的工程擴展性,，不僅適用于滾動軸承,，也可適當擴展到齒輪箱和絲杠等旋轉(zhuǎn)機械,。

成果介紹2：“云-企業(yè)-用戶”一體化的售后配件多級管理與協(xié)同技術(shù)

該成果來源于團隊承擔國家重點研發(fā)專項項目“制造企業(yè)主導的制造服務(wù)價值網(wǎng)融合技術(shù)與方法”中的子課題“基于售后配件多級管理的配件鏈協(xié)同技術(shù)”。該成果主要是利用機器學習技術(shù),，整合配件鏈前饋和反饋信息流,，構(gòu)建“互聯(lián)網(wǎng)+”環(huán)境下“產(chǎn)品-核心制造企業(yè)”的配件鏈協(xié)同策略，實現(xiàn)互聯(lián)網(wǎng)環(huán)境“云-企業(yè)-用戶”一體化的售后配件鏈變革與智能化供需協(xié)同,。具體內(nèi)容包括：基于機器學習技術(shù)實現(xiàn)多尺度的配件分類,，提供配件鏈管理的全新視角；針對高端制造裝備配件需求數(shù)據(jù)間歇性分布的特征,，建立了間歇性時間序列的可預(yù)測性分析理論框架和智能預(yù)測算法,；面對現(xiàn)代倉儲信息量大、配件種類繁多,、調(diào)度復(fù)雜的問題,，原創(chuàng)性地提出了動態(tài)安全庫存概念，構(gòu)建了基于供需信息多級聯(lián)動的配件調(diào)度動態(tài)決策模型和多級庫存網(wǎng)絡(luò)智能優(yōu)化模型,；開發(fā)了面向售后配件的供需信息優(yōu)化子系統(tǒng),。該成果作為使能技術(shù)嵌入到云平臺，供項目合作的三個企業(yè)：盾構(gòu)及掘進技術(shù)國家重點實驗室,、株洲中車時代電氣股份有限公司和中聯(lián)重科股份有限公司在實際業(yè)務(wù)中進行了驗證和應(yīng)用,。

圖1 基于機器學習的售后配件多級管理協(xié)同技術(shù)示意圖

圖2 安全庫存優(yōu)化結(jié)果概率分布圖

成果介紹3：基于5G-AIot的人工智能實時系統(tǒng)設(shè)計方案

團隊開發(fā)了基于5G-AIot的人工智能實時系統(tǒng)原型系統(tǒng)，對于不同規(guī)模的深度網(wǎng)絡(luò),，采用兩種不同的物聯(lián)網(wǎng)智能化實現(xiàn)方案：

1）面向大規(guī)模深度網(wǎng)絡(luò)的5G云邊協(xié)同方案,。以自研自制5G通信系統(tǒng)作為智能物聯(lián)網(wǎng)的網(wǎng)絡(luò)層專用解決方案。通過對通信協(xié)議及接口的設(shè)計與優(yōu)化,，進一步提高數(shù)據(jù)通量,，降低數(shù)據(jù)傳輸?shù)木€性延時，建立極低延時的實時傳輸數(shù)據(jù)鏈,，使遠程數(shù)據(jù)采集速度接近本地數(shù)據(jù)讀取速度,。低延時數(shù)據(jù)鏈能夠保證部署在云端的大型神經(jīng)網(wǎng)絡(luò)對遠程數(shù)據(jù)的實時處理。

2）面向輕量化深度網(wǎng)絡(luò)的邊緣計算實現(xiàn)方案,。針對邊緣節(jié)點的嵌入式系統(tǒng)架構(gòu)特點,，對輕量化深度網(wǎng)絡(luò)模型進行優(yōu)化,，將深度學習算法部署于邊緣節(jié)點中，實現(xiàn)終端數(shù)據(jù)的現(xiàn)場采集處理及決策輸出,，達到物聯(lián)網(wǎng)感知層的智能化改造的最終目標,，同時為在線機器學習處理提供有效的前端支撐。

圖3. 5G-AIot應(yīng)用實驗平臺