团队三：机器学习及应用（共9人）
毛文涛、范黎林、窦智、李源、张艳娜、张帅、李文泽、黄标兵、王世勋
1. 团队介绍：
“机器学习及应用”科研团队依托kaiyun欧洲杯app计算机科学与技术省重点一级学科、“智能制造与光电控制工程”学科群及智慧商务与物联网技术河南省工程实验室。团队主要由毛文涛、范黎林、窦智、李源、张艳娜、张帅、李文泽、黄标兵、王世勋等9名专职教师和多名在校研究生组成。团队建设目标侧重于机器学习理论与实际工程应用问题的结合，强调用典型机器学习算法解决工程中的科学问题，解决各相关应用中的关键技术难点。团队骨干成员年龄和职称结构合理，均具有博士学历，在学缘关系上互补性较强，工程实践经验丰富，创新意识浓厚且富有活力。近年来团队成员主持国家级项目5项，省部级以上项目10余项，在国内外重要学术期刊发表论文120余篇，其中Top期刊论文6篇，ESI热点论文（引用前0.1%）1篇，ESI高被引论文（引用前1%）7篇，团队带头人H指数19，同时多项成果在企业得到应用，获得了较为明显的经济效益。
2. 团队研究内容：
机器学习是人工智能领域中的一个重要分支，主要研究计算机怎样模拟或实现人类的学习行为以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习理论研究涉及矩阵分析、最优化理论、概率论、统计学、逼近论、算法设计等多门学科，同时在工业大数据分析、机器视觉、计算机辅助设计、芯片设计等多学科领域取得了成功应用，成为目前一系列智能化工程应用的核心和关键技术。
近年来，本研究团队在深入研究机器学习相关理论的同时，强化机器学习的工程应用属性，以5G工业互联网和智能制造为整体应用背景，围绕工业大数据分析、智能运维、高通量机器视觉处理等一系列工程需求，探索利用机器学习技术解决典型工业应用中关键科学问题的方案和路径，包括深度神经网络及可解释性分析、间歇性/周期性时间序列分析与预测、迁移学习与领域适配、各类无监督/半监督异常检测算法、结构化学习等技术的工程应用。在最近的研究工作中，团队以5G应用场景为出发点，侧重于在线场景下的故障预测和健康管理问题，重点考虑高通量、低延迟、大数据量的应用特点，围绕健康指标构建、早期故障检测、混合类型故障诊断、剩余寿命预测等典型问题，从结构化信息和时序信息的角度，研究面向流数据的深度迁移学习、元学习、表征学习等新型学习范式，并应用于各类旋转机械和电力设备的实际健康管理问题，致力于打造高通量、流数据、无监督的新一代机器学习理论和应用框架，突破现有机器学习面对复杂场景、快速数据采集、低延迟决策时的瓶颈，为5G时代智能化健康管理与可靠性运维提供一种智能、高效的解决方案。
3. 近年高水平研究成果介绍：
成果介绍1：面向5G应用的滚动轴承智能在线损伤预警与故障预测框架
随着5G技术的应用普及，当前在工程现场实时进行早期故障预警与状态预测的重要性日益突出，但针对滚动轴承等关键零部件的在线辨识、诊断和预测技术还不能完全满足装备制造业发展的需要。研究和发展服役过程中高度智能化、不受工况限制的在线健康预警与寿命预测方法已成为当前轴承PHM研究的重点和难点。团队从损伤退化机理信息的跨工况迁移入手，提出了一系列在线小损伤（早期故障）检测、损伤退化过程监测、健康指标构建以及剩余寿命预测方法，这些方法灵活组合，组合成了一套完整的、涵盖了PHM主要工程环节的在线健康管理框架。该框架包括了早期故障的在线检测、多类型故障诊断和剩余寿命预测三个部分，它们顺序进行：早期故障的在线检测是预警的第一步，一旦发现异常，进行报警；其次，诊断具体的故障类型，确定损伤尺度、位置等信息；最后，预测剩余可用寿命，并予以警告。
与现有的在线采集、离线诊断的健康管理模式不同，该在线损伤预警与故障预测框架为5G场景不停机情况下的早期故障检测和剩余寿命预测问题提供了一种全新的检测模式，同时具有良好的工程适用性。该成果是对现有损伤检测和故障诊断方法的突破，在国际上也位于研究前列，具有良好的工程扩展性，不仅适用于滚动轴承，也可适当扩展到齿轮箱和丝杠等旋转机械。
成果介绍2：“云-企业-用户”一体化的售后配件多级管理与协同技术
该成果来源于团队承担国家重点研发专项项目“制造企业主导的制造服务价值网融合技术与方法”中的子课题“基于售后配件多级管理的配件链协同技术”。该成果主要是利用机器学习技术，整合配件链前馈和反馈信息流，构建“互联网+”环境下“产品-核心制造企业”的配件链协同策略，实现互联网环境“云-企业-用户”一体化的售后配件链变革与智能化供需协同。具体内容包括：基于机器学习技术实现多尺度的配件分类，提供配件链管理的全新视角；针对高端制造装备配件需求数据间歇性分布的特征，建立了间歇性时间序列的可预测性分析理论框架和智能预测算法；面对现代仓储信息量大、配件种类繁多、调度复杂的问题，原创性地提出了动态安全库存概念，构建了基于供需信息多级联动的配件调度动态决策模型和多级库存网络智能优化模型；开发了面向售后配件的供需信息优化子系统。该成果作为使能技术嵌入到云平台，供项目合作的三个企业：盾构及掘进技术国家重点实验室、株洲中车时代电气股份有限公司和中联重科股份有限公司在实际业务中进行了验证和应用。
图1 基于机器学习的售后配件多级管理协同技术示意图
图2 安全库存优化结果概率分布图
成果介绍3：基于5G-AIot的人工智能实时系统设计方案
团队开发了基于5G-AIot的人工智能实时系统原型系统，对于不同规模的深度网络，采用两种不同的物联网智能化实现方案：
1）面向大规模深度网络的5G云边协同方案。以自研自制5G通信系统作为智能物联网的网络层专用解决方案。通过对通信协议及接口的设计与优化，进一步提高数据通量，降低数据传输的线性延时，建立极低延时的实时传输数据链，使远程数据采集速度接近本地数据读取速度。低延时数据链能够保证部署在云端的大型神经网络对远程数据的实时处理。
2）面向轻量化深度网络的边缘计算实现方案。针对边缘节点的嵌入式系统架构特点，对轻量化深度网络模型进行优化，将深度学习算法部署于边缘节点中，实现终端数据的现场采集处理及决策输出，达到物联网感知层的智能化改造的最终目标，同时为在线机器学习处理提供有效的前端支撑。
图3. 5G-AIot应用实验平台