姓名：施健聪

专业：机械电子工程

Email: 无

毕业去向：苏州汇川联合动力系统股份有限公司

教育及工作背景：

2020年9月至2023年6月     福州大学   机械电子工程   工学硕士学位

2016年9月至2020年6月    广东海洋大学   机械设计制造及其自动化  工学学士学位

研究方向：

旋转机械故障诊断

参与科研项目：

1.首都航天机械有限公司，机械传动系统仿真与故障诊断机理模型开发，2021-07至2022-04，参与

2.中国航天科技集团，装发专项，基于 XXXXXX 技术研究，2021-01至2023-12，参与

发表论文：

1. 施健聪，王兴龙，张俊. 基于双重注意力机制的异步电机故障诊断方法[J]. 振动与冲击，2023

2. Shi J, Xu B, Wang X, Zhang J. A local spectrum enhancement‐based method and its application in incipient fault diagnosis of rotating machinery. Int J Mech Syst Dyn. 2023;1‐11. doi:10.1002/msd2.12076

3. Jiancong Shi, Xinglong Wang, Siliang Lu, et al. An Adversarial Multisource Data Subdomain Adaptation Model: A Promising Tool for Fault Diagnosis of Induction Motor Under Cross-Operating Conditions, IEEE Transactions on Instrumentation and Measurement, 2023, 72: 3519014. doi:10.1109/TIM.2023.3280493.

4. Xinglong Wang, Jiancong Shi, Jun Zhang. A power information guided-variational mode decomposition (PIVMD) and its application to fault diagnosis of rolling bearing[J]. Digital Signal Processing, 2022: 103814.

5. Baoming Xu, Jiancong Shi, Min Zhong, Jun Zhang, Incipient fault diagnosis of planetary gearboxes based on an adaptive parameter-induced stochastic resonance method[J]. Applied Acoustics, 2022, 188(5):108587.

授权专利：

暂无

荣誉与奖励：

2020年 福州大学研究生新生奖学金特等奖

2023年 福州大学研究生综合学业奖学金三等奖

硕士学位论文简介：

基于数据融合的三相异步电机故障诊断及异步电机-齿轮箱复合故障智能解耦研究

三相异步电机在工程应用中容易出现多种类型的故障，采用单一传感器信号往往无法准确诊断出电机的故障类型。而采用多类型传感器信号进行三相异步电机故障诊断时，由数据采集系统获得的多源数据的数据分布易受工况变化的影响，导致传统深度学习模型难以实现故障的准确分类。针对这一问题，本文开展基于多源数据融合的三相异步电机故障诊断及异步电机-齿轮箱复合故障智能解耦研究，希冀为三相异步电机的故障诊断提供有效的技术手段。本文的主要工作及贡献如下：

(1)针对如何选择最适合三相异步电机故障诊断的多源数据融合策略这一问题，在一维卷积神经网络的基础上，分别搭建了基于数据层融合、特征层融合和决策层融合的网络模型。通过开展三相异步电机的故障诊断实验，明晰了三种典型数据融合模型对电机故障诊断效果的影响，并为后续的研究提供技术支撑。

(2)针对多源数据中的无关成分会对三相异步电机故障诊断造成干扰的问题，提出了一种多源数据注意力机制模块。通过结合一维卷积神经网络与通道注意力机制模块，构建了一种基于双重注意力机制的三相异步电机故障诊断方法。通过开展三相异步电机故障诊断实验对所提方法进行验证，结果表明，该方法能有效提高多源数据中关键故障信息的关注度，取得了99.74%的诊断准确率。

(3)针对多源数据特征难以实现全域对齐的问题，提出了一种子域自适应策略。通过与领域自适应网络相结合，构建了一种基于多源数据子域自适应的异步电机跨工况故障诊断方法。通过开展跨工况条件下的三相异步电机故障诊断实验对所提方法进行验证，结果表明，该方法准确识别了不同工况下的多源数据样本，识别准确率为 97.62%。

(4)针对三相异步电机-齿轮箱复合故障数据样本在不参与模型训练的情况下难以实现智能解耦的问题，提出了一种多阶段特征融合策略。通过与解耦分类器相结合，构建了一种基于多阶段特征融合的三相异步电机-齿轮箱复合故障智能解耦方法。通过开展异步电机-齿轮箱复合故障解耦实验，证明了所提方法具备复合故障解耦能力。虽然本文所提方法仅围绕三相异步电机的故障诊断进行探讨，但相关方法也可为其他领域的故障诊断提供技术指导。