博文

Machines 清华大学于耀翔、王彦凯博士等特刊：面向机械健康监测与预测性维护的可信智能系统

已有 400 次阅读 2026-7-19 08:59 |个人分类:特刊征稿|系统分类:科研笔记

特刊信息

随着现代工业系统向智能化和高效化方向持续演进，机械装备健康状态的连续监测已成为实现预测性维护策略的关键支撑。实时状态感知不仅能够提早发现潜在故障隐患，还有助于规避不必要的维护作业，从而保障系统始终处于最优运行性能。在此背景下，基于状态的维护体系中，诊断与预测构成了两个相辅相成的核心环节：诊断侧重于借助监测信号数据评估装备的历史与当前健康状态，而预测则致力于依据既往及当前的运行状态预测剩余使用寿命。

近年来，针对机械装备的健康诊断与预测已涌现出多种技术路径。其中，利用机器学习与深度学习的数据驱动方法因其适应性强、扩展性好而备受关注。相较于难以实时融入健康状态更新信息的物理模型，数据驱动范式展现出独特的优势。尽管这些方法在揭示运行数据与装备健康间关联规律方面潜力巨大，但在以可信赖且可解释的方式可靠识别早期微弱故障、精准预估未来机械状态等方面，依然面临严峻挑战。因此，如何实现可信、智能的机械健康监测与预测维护，仍然是该领域亟待突破的关键研究课题。

基于上述背景，Machines 期刊特邀不列颠哥伦比亚大学严彤彤博士、清华大学于耀翔博士及清华大学王彦凯博士共同创建特刊“面向机械健康监测与预测性维护的可信智能系统 (Trustworthy and Intelligent Systems for Machine Health Monitoring and Predictive Maintenance)”。

本特刊旨在汇聚学术界与工业界的最新研究成果，深入探讨数据驱动健康监测领域的前沿理论、关键技术及工程应用进展，为相关研究人员与从业者提供高水平的交流合作平台。特刊诚邀原创研究、综述论文及实验案例报告，欢迎高校、科研机构及行业领域的研究人员与工程技术人员踊跃投稿，共同展示面向智能装备的可信赖数据驱动健康管理创新成果。特刊主题包括但不限于以下方向：

机械动力学建模与仿真

数据清洗与数据质量提升

状态监测与健康评估

信号处理与故障特征提取

故障检测与定量分析

数据驱动的智能故障诊断与预测

机械部件振动分析

面向通用预测与健康管理的大模型

投稿截止时间：2026年10月31日

客座编辑

严彤彤博士

现为加拿大不列颠哥伦比亚大学博士后研究员。她于2024年获得上海交通大学博士学位。主要研究方向为基于数据融合的设备全寿命周期性能退化优化理论及其可解释建模方法。迄今已发表SCI论文40余篇，出版Elsevier英文专著1部，并参编ASME专著章节1章。现任IEEE Transactions on Instrumentation and Measurement 副主编，同时担任多本国际期刊的客座编辑。

于耀翔博士

于耀翔，清华大学机械工程系助理研究员/博士后，毕业于西南交通大学机械电子工程专业，主要从事轨道交通车辆动力学建模及智能故障诊断研究。以第一/通讯作者在 MSSP、IEEE TIE、IEEE TII、《机械工程学报》等本领域国内外权威期刊上发表SCI/EI论文16篇，其中，2篇论文分别入选ESI高被引论文、国家铁路局“铁路重大科技创新成果库”(A类)，论文总引用1200余次，H因子21。授权发明专利2件，参与制定预测性维护国家标准2项，入选2024年度中国科协青年人才托举工程博士生专项计划 (首届)、2025年度斯坦福大学全球前2%顶尖科学家，获得2024年中国振动工程学会科学技术奖基础研究二等奖等奖励。

王彦凯博士

清华大学软件学院助理研究员、博士后，毕业于重庆大学机械工程专业，并在新加坡国立大学完成计算机科学 (人工智能) 与机械工程交叉联合培养博士研究。主要研究方向包括复杂装备数智化系统、工业数据智能软件系统、边缘人工智能、最优化控制、工业AI智能体、Agentic AI等。迄今已发表学术论文30余篇，申获国家发明专利13项。主持或参与国家重点研发计划、国家自然科学基金重大项目、国家科技创新2030“新一代人工智能”重大项目、工信部高质量专项及中国博士后科学基金等10余项国家级科研项目。