AI钱塘论坛（第33期）
n 主题：基于图学习的振动测试优化策略和可迁移振动响应预测方法
时间：2025年9月22日10:00-11:00
地点：第7教研楼北408
主持人：刘栋良
郎王劼博士
研究方向主要聚焦高性能电驱系统振动测试与智能诊断研究，包括基于混合模型的逆变器开路故障诊断研究和振动信号重构的研究工作。于2023年英国约克大学电子工程专业毕业后加入之江实验室智能装备研究中心开展博士后研究工作。作为主要参与人参与多项国家级及国际科研项目，包括国家科技部重点研发计划、英国EPSRC项目等，在基于数据驱动算法的电机故障诊断和振动状态监测领域以第一作者在TIE、TTE等国际权威期刊上发表论文五篇，出版IET书籍一部(科学著作)，发明专利一项，并入选教育部2024年海外博后引才专项计划。
报告摘要：高性能电驱振动测试在电动飞行器及新能源汽车电驱系统研发中具有重要意义，但在实际测试中常面临传感器布置受限、数据采集成本高以及不同转子振动响应差异明显等问题。本报告内容介绍了一种基于图神经网络的振动测试优化策略及跨转子振动响应预测方法。该方法通过图学习捕捉多传感器信号之间的空间相关性，实现异常振动信号的智能诊断，并结合傅里叶频域算子和物理先验信息，对受干扰或缺失的传感器信号进行快速校正与高精度重构，从而恢复可靠的振动数据，为振动分析和健康预测提供坚实基础。在此基础上，引入跨转子迁移学习机制，实现不同型号转子之间振动响应的准确预测，提高模型在多工况、多平台下的适应性和泛化能力。实验验证结果表明，该方法不仅能够有效完成异常诊断、信号校正及传感器信号重构，还可显著减少传感器数量，实现高精度跨转子振动响应预测。整体研究为电机设计优化、健康监测及智能运维提供了高效可行的技术方案，对高性能电驱振动测试的智能化与工程化具有重要参考价值。