李响西安交通大学教师主页管理系统本科生风采李响个人主页

欢迎积极上进的本科生参与研究工作，感兴趣的同学可邮件联系李响老师 lixiang@xjtu.edu.cn

在课题组，你可以：主导课题研究，发表高水平学术论文，解决实际工程难题，学习科研规范，动手参与实验，......

课题组大力支持本科生科研，欢迎参与研究！

第一作者：刘长昊【加拿大多伦多大学全奖直博】，西安交通大学机械学院智能制造2203班

题目：Neuromorphic computing-enabled generalized machine fault diagnosis with dynamic vision

入选ESI高被引论文（前1%）

动态视觉 + 神经形态计算

期刊：Advanced Engineering Informatics（中科院1区top SCI期刊，影响因子11.5）

摘要：旋转机械在现代工业中发挥着关键作用，准确的故障诊断对于确保其可靠运行至关重要。近年来，事件相机作为一种非接触式振动测量与旋转机械故障诊断的新兴工具备受关注。然而，监测角度、光照条件等相机因素会对诊断性能产生显著影响。简单训练的模型难以适应新测试场景中的因素变化。针对这一问题，本文提出了一种基于神经形态计算的通用非接触式故障诊断方法。通过事件相机在不同运行条件下采集动态视觉数据，并开发了一种动态视觉数据表示方法，将事件流转换为适合神经形态脉冲神经网络处理的特征。此外，我们提出了一种专门设计的神经形态领域泛化方法，以提升在不同工作条件下的泛化能力。通过大量实验验证了该方法的领域泛化性能，并与主流领域泛化技术进行了对比。结果表明，该方法在不同条件下均能实现稳健的诊断性能，验证了其在潜在工业应用中的有效性。

论文链接：https://www.sciencedirect.com/science/article/pii/S1474034625001934?via%3Dihub

第一作者：宫梓涵，西安交通大学机械工程学院智能制造钱学森班

题目：Generalized Foundation Model for Lithium-ion Battery State-of-Health Prediction with Distribution Metric Learning

大模型 + 电池健康预测

期刊：Journal of Energy Storage（中科院2区SCI期刊，影响因子10.7）

摘要：随着电动汽车和锂离子电池的迅速普及，对电池健康状态的准确评估变得越来越重要至关重要。然而，电池类型和运行条件的变化往往导致数据集之间的分布差异，标注数据的稀缺性也导致基于单一数据集的健康预测变得尤为具有挑战性。为了解决这些问题，本文提出了一种通用基础大模型针对少样本电池健康状态估计方法，使用来自多个数据集的数据进行训练源域。所提出的方法采用最大均值差异来最小化不同域之间的特征分布差距，并且将ResNet-Transformer混合架构与KolmogorovArnold网络相结合，以增强非线性特征表示。通过利用该模型能够有效地处理来自多个领域的电压、电流和时间数据学习电池退化的广义知识，并将其迁移到目标上用于稳健的健康预测的领域。实验结果表明所提出的通用基础大模型即使在数据有限的情况下，也能实现出色的泛化性能，并保持较高的预测精度标记数据。这表明其在实践应用中具有强大的潜力电动汽车的电池健康管理和寿命预测。

论文链接：https://www.sciencedirect.com/science/article/pii/S2352152X26002306?dgcid=coauthor

第一作者：朱文鼎，西安交通大学机械工程学院

题目：A large multimodal foundation model for unified state-of-health and remaining useful life estimation of lithium-ion batteries

大模型 + 电池健康预测

期刊：Journal of Energy Storage（SCI期刊，影响因子10.7）

摘要：在多种工况下准确且稳健地估算锂离子电池的健康状态（SOH）和剩余使用寿命（RUL），长期以来一直是工业应用中的一项重大挑战。电池材料、使用周期、工况及其他实际因素之间存在的固有差异，使得开发一种通用的SOH和RUL估算模型变得极具挑战性。为应对这一挑战，本文提出了一种用于锂离子电池SOH和RUL统一估算的大型多模态基础模型。首先，对异构电池原始数据进行预处理以实现标准化。随后，引入多模态大模型，采用轻量级且参数高效的微调策略，智能提取跨不同场景的通用电池退化特征。在此基础上，设计了SOH和RUL的联合估算方案。研究利用多种异构锂离子电池退化数据集进行了验证。实验结果表明，该基础模型在不同场景下的表现均优于主流的电池SOH和RUL预测模型。在未见过的电池样本上，该方法在SOH估算方面实现了0.0195的平均绝对误差（MAE）和0.0011的均方误差（MSE），在RUL预测方面实现了0.0961的MAE和0.0210的MSE。此外，该方法还能通过异常检测有效识别电池退化的早期征兆。因此，该方法在实际工业应用中的锂离子电池通用状态监测与预测性维护方面展现出巨大的潜力。

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S2352152X26030823?via%3Dihub

第一作者：陆子涵，西安交通大学机械工程学院机械工程2302班

题目：Physics-informed multimodal large model for machine fault diagnosis with dynamic vision

多模态大模型 + 动态视觉

期刊：Structural Health Monitoring（中科院2区SCI期刊）

摘要：在现代工业中，机器可靠性至关重要，而基于振动数据的及时、准确且可解释的故障诊断是关键流程之一。传统的接触式振动传感器面临安装限制和信号失真等问题，现有的智能故障诊断方法通常缺乏可解释性。近年来，基于事件的相机因其异步记录和高速特性，成为一种极具前景的非接触式解决方案。同时，大型模型能够在诸多领域提供专家级的解释。为了解决上述故障诊断问题，本文提出了一种基于动态视觉的物理信息多模态大型模型。首先，我们利用动态视觉数据构建视频，并采用频域物理先验信息来指导故障推理。此外，我们还提出了一种独立的分类头，以提升故障诊断和可解释文本生成的效果。实验结果表明，所提出的方法不仅与接触式振动传感方法一样准确，而且还能为机器故障诊断提供合理的专家级解释。凭借其高可解释性、灵活性和准确性，该方法被验证为一种极具潜力的机器故障诊断新工具。
论文链接：https://journals.sagepub.com/doi/10.1177/14759217261445117

第一作者：陆子涵，西安交通大学机械工程学院机械工程2302班

题目：Multimodal Large Language Model-Enabled Machine Intelligent Fault Diagnosis Method with Non-Contact Dynamic Vision Data

多模态大模型 + 动态视觉

期刊：Sensors（SCI期刊）

论文链接：https://www.mdpi.com/1424-8220/25/18/5898