近日，我校智能制造与运维团队在国际知名期刊IEEE Transactions on Instrumentation and Measurement上发表题为《Semi-supervised Multiscale Permutation Entropy- enhanced Contrastive Learning for Fault Diagnosis of Rotating Machinery》的论文。该论文第一作者及第一通讯作者是我校机电工程学院副院长周余庆，开云官方入口 为第一单位。

针对机械故障诊断普遍面临的“大数据、小样本”等现象，我校智能制造与运维团队周余庆和王公海老师联合温州大学相关团队提出了一种半监督多尺度置换熵增强对比学习的旋转机械故障诊断方法。该方法构建了最小化多尺度置换熵偏度平方和的优化模型，结合数据增强手段将多传感通道信号扩展合并成多维距离图，为诊断模型提供丰富的输入信息；进而，引入对比学习对大量无标签样本进行特征表示与提取，优化ResNet 18分类模型的网络权重，大大提高ResNet 18模型在小样本下的分类性能。该方法在齿轮箱故障诊断、铣刀状态监测等实验上进行了测试，验证了所提方法的有效性和可行性，为实现工业现场低成本智能诊断与运维提供了有效的方法。

此次发表论文的期刊IEEE Transactions on Instrumentation and Measurement是JCR一区、仪器仪表领域高质量科技期刊分级目录T1级、影响因子5.26，是我校智能制造与运维科研团队坚持以校企合作为着力点，强化有组织科研，努力帮助企业解决技术难题的有效突破。团队组建一年以来，已承担国家自然科学基金面上项目1项、浙江省自然科学基金1项、嘉兴市科技项目2项、企业横向课题5项，与企业联合研发的加工过程状态监测系统相关专利获得2023年第二十四届中国专利奖优秀奖，为企业平均每年减少机加工停机时间20%左右，生产效率提高15%左右，降低刀具成本20%左右。