科研学术

分享到微信 ×
打开微信“扫一扫”
即可将网页分享至朋友圈
格拉斯哥学院本科生发表多篇高水平论文
文:吴迪一 来源:格拉斯哥学院 时间:2024-04-02 2069

  近日,格拉斯哥学院本科生刘嘉乐、罗枭彧、罗文均、徐祯、刘牧凡同学分别以第一作者在国际知名期刊《Reliability Engineering & System Safety》《IEEE Transaction on Instrument and Measurement》《IEEE Internet of Things Journal》、生物医学工程知名期刊《IEEE Journal of Biomedical and Health Informatics》、国际高水平会议IEEE GlobeCom发表多篇论文,电子科技大学均为第一作者单位。

  2021级通信工程专业学生刘嘉乐撰写的论文《A Brain-Inspired Energy-Efficient Wide Spiking Residual Attention Framework for Intelligent Fault Diagnosis》于3月发表在《Reliability Engineering & System Safety》。

  在现代工业的快速发展中,智能故障诊断技术成为了确保工业产品安全和系统可靠性提升的关键工具,以减少意外停机时间和维修成本。在此背景下,人工神经网络(ANNs)因其强大的非线性拟合能力和端到端学习能力,被广泛应用于故障诊断任务。然而,尽管ANNs在故障诊断领域取得了一定的成功,它们在资源消耗、鲁棒性和泛化能力方面仍面临挑战。脉冲神经网络(SNNs),作为基于大脑结构的第三代神经网络,因其能效高和对时空数据处理能力强而受到关注。SNNs模拟了生物神经系统的工作方式,利用离散的时间步和脉冲信号传递信息,使得它们在处理连续信号和时间序列数据时表现出色。更重要的是,SNNs的事件驱动特性使其在能耗上具有明显优势,非常适合部署在能量受限的便携式和微型设备上。论文提出了一种新颖的智能故障诊断框架——宽脉冲残差分组注意力框架(WSRGA-FW)(图1)。WSRGA-FW融合了ANN和SNN的优点,旨在提供一种高效的智能故障诊断解决方案。框架中的核心组件WSRGA-Net,是一个定制的ANN,它具备宽卷积核、优化的残差结构和分组感知生成(GPG)层。这些设计改进使网络能够在噪声环境下更有效地提取特征并保持高鲁棒性。此外,通过采用扩展的Gramian表示法(EGR)对输入信号进行编码,WSRGA-FW能够在减少噪声影响的同时,保持信号的关键特征,进一步提升故障诊断的准确性。

图片2.png

图1 WSRGA-FW的整体结构及其在轴承故障诊断中的集成方式

  2021级电子信息工程专业的罗枭彧撰写的《FFT-Trans: Enhancing Robustness in Mechanical Fault Diagnosis with Fourier Transform-Based Transformer under Noisy Conditions》于2月被《IEEE Transaction on Instrument and Measurement》接收。

  随着现代机械结构日益复杂,一些机械部件广泛应用于恶劣和关键环境,高速运转的机械设备难免会出现故障,及早发现机械故障并及时维护可以减少经济损失并保护设备。然而,机械设备通常由一系列复杂的机械部件组成,这些部件在设备运行过程中相互碰撞而产生复杂的噪声,采集到的振动信号通常包含复杂的噪声成分,这对故障特征学习的深层模型提出了巨大的挑战。论文提出了一种基于快速傅里叶变换(FFT-Trans)的Transformer框架。 FFT-Trans将Transformer的全局信息交互机制从时域扩展到频域,考虑了频域信息的学习和编码。论文详细介绍了FFT-Trans架构。FFT-Trans利用全局频率编码层代替了Transformer中的自注意力层,实现了不同频率分量的信息交换和多尺度融合(图2)。通过集成傅里叶变换和变换器,实现全局信息的全面编码和提取。

TI]AH@JE{[4IW2DA%CH%3MP.png

图2 基于快速傅里叶变换的Transformer框架图

  2020级电子信息工程专业学生罗文均在机械与电气工程学院2019级研究生校友王欢及刘志亮副教授的指导下撰写的期刊论文《Fourier Feature Refiner Network With Soft Thresholding for Machinery Fault Diagnosis Under Highly Noisy Conditions》于2月发表在国际知名期刊《IEEE Internet of Things Journal》。

  随着科学技术的迅速进步和现代工业的蓬勃发展,机械设备在各个领域中得到了广泛应用。然而,这些机器常常在极具挑战性的环境中运行,例如高湿度和超负荷工作。在这样的情况下,机械可能会发生故障,带来巨大的维护成本、重大的经济损失,甚至可能威胁到生命安全。因此,监测机械系统关键部件的健康状态对保证其可靠性和安全性至关重要。然而,传统的故障诊断方法存在一些挑战。一方面,采集到的信号通常相对于环境噪声较弱,其故障相关成分容易被噪声淹没,然而传统的故障诊断方法缺乏噪声鲁棒性,难以从中提取出有价值的信息。另一方面,不同的传感器可能运作在不同的工作条件下,其间噪声的差异意味着传统的具有静态参数的滤波器难以有效地消除噪声。基于以上问题,本文提出了一种用于高噪声环境下的滚动轴承故障预测与健康管理(PHM)框架(图3)。该框架应用了一种傅里叶特征细化器,其赋予了模型频域学习能力,使其可以从幅谱和相位谱两个角度对频域特征进行提取和细化,并对故障相关分量进行相应的增强。此外,该框架应用了基于软阈值的残差块,利用其自适应的阈值处理不同工况下的各种噪声,从而在降低噪声的同时保留故障相关的主要特征。

网络结构.jpg

图3 所提出的滚动轴承故障预测与健康管理框架示意图

  2020级通信工程专业学生徐祯撰写的论文《Predicting ICU Interventions: A Transparent Decision Support Model Based on Multivariate Time Series Graph Convolutional Neural Network》于3月发表在生物医学工程知名期刊《IEEE Journal of Biomedical and Health Informatics》。

  在重症监护病房(ICU)中,临床医生需要在快节奏且数据繁杂的环境中判断和干预患者的生理需求,以免错过最佳救治时机。但传统方法依赖于医生的经验和知识,费时且困难。论文提出了一种基于深度学习的ICU辅助干预手段预测方法,利用MIMIC-III数据库,提取重症监护室中病人的EHR数据;将EHR数据进行清洗和处理后转化为时序数据;构建以图学习层、扩张因果卷积层、输出模块和全连接层组成的神经网络模型并训练更新;将时序数据作为输入,由神经网络模型生成预测判断值,为干预手段提供指导(图4)。与现有的最佳模型LSTM、RF等模型相比,本模型在预测机械通气干预方面实现了从81.6%到91.9%的准确率提升,以及从0.524到0.606的F1分数提升。在预测血管加压素干预方面,实现了从76.3%到82.7%的准确率提升,以及从0.509到0.619的F1分数提升。论文中,将病人在ICU内的各种临床生理指标作为时序变化的特征节点,将病人的生理信息作为静态不变的特征节点;利用了图卷积神经网络,预测出干预手段。这些节点构成了一张无向图,其中节点为各类特征,边代表节点间的信息传播。从图形中抽象得到邻接矩阵,从边和节点两种分析方向出发,利用节点评分(PageRank,HITS)和最小割方法完成可解释性分析。

图片8.png 

图4 设计的网络结构,空域上使用图卷积,时域上使用扩张因果卷积

  2019级通信工程专业刘牧凡在通信抗干扰国家重点实验室武刚教授指导下,基于本科毕业设计成果发表的高水平国际会议论文《Soft-Ack based Outer Loop Link Adaptation for Latency-constrained 5G Video Conferencing》于2月被IEEE GlobeCom接收。 

  高可靠性、低时延的要求多媒体业务设计更高效的链路适应方法。论文介绍了针对快速变化的信道所设计的瞬时道状态信息 (CSI) 报告,基于内环外环控制策略增强了对外环链路基于软确认(Soft-ACK)的自适应控制,同时还制定了5G物理下行链路的资源分配问题(图5)。共享信道(PDSCH)平衡上下行流量符合指定的延迟限制。论文提出的方案以相对简单的方式运作方式。它优于传统的链路自适应方法重新保护块级错误率(BLER)并有效遵守视频传输模拟中严格的延迟限制。论文提出了一种基于软ACK的5G NR视频会议外环链路自适应方案。通过利用瞬时CSI报告和软 ACK显着降低了信道控制的开销,使传统的链路自适应机制能够更快地收敛到更低的BLER水平。此外,所提出的资源分配问题有效地管理下行链路传输资源,同时满足严格的延迟要求,从而实现平衡的上行链路和下行链路流量状态。Waterloo QoE数据库上的性能模拟验证了所提出方法的有效性,表明在保证视频会议可靠性要求的同时,CSI报告显着节省了开销(传统CSI-RS的0.8%)。论文仅考虑MCS选择和HARQ的链路自适应。如果将该方案扩展为具有超大规模 MIMO支持的超低延迟,那么额外的自由度将使链路自适应成为更具挑战性的问题。这种方法可以扩展到涉及6G载波聚合下的多服务流的场景,利用多模态信道反馈结合最先进的人工智能技术来实现更准确的链路预测和控制。

图片10.png 

图5 具有瞬时CSI反馈和延迟约束资源分配的基于软ACK的链路自适应概述

  格拉斯哥学院一直注重跨学科融合和前瞻性思维的培养,把人才培养同世界科技前沿、国家重大战略、社会发展需求紧密联系起来,鼓励学生在科研中积极探索不同学科的交叉点,瞄准学术发展前沿,培养学生的科研创新能力,树立严谨求实的科研态度。通过“别创一格”新生课外创新实践项目、大学生创新创业训练项目、“格物致知”科研见习项目、毕业设计项目、企业实习项目等,打造贯通1-4年级层级递进的“第二课堂”创新训练培育平台;充分发挥“嵌入式芯片与系统设计竞赛”“物联网设计竞赛”“高校计算机大赛”等学科竞赛牵引作用,打造“以赛促教、以赛促学”的科创育人实践体系;开展学生科创交流分享会、科研零距离及教授讲座活动,邀请高年级学生及导师定期围绕竞赛经验传授、高水平论文发表、科研实验室参观等内容分享前沿信息,营造浓郁科创氛围,激发科研灵感。学院近三年本科生发表一作论文150余篇,省级及以上获奖人数600余人,创新人才培养成效显著。


  论文发表链接:

1、Jiale Liu、Huan Wang,“A brain-inspired energy-efficient Wide Spiking Residual Attention Framework for intelligent fault diagnosis” ,https://www.sciencedirect.com/science/article/pii/S0951832023007871?via%3Dihub

2、Wenjun Luo、Huan Wang、Zhiliang Liu,“Fourier Feature Refiner Network With Soft Thresholding for Machinery Fault Diagnosis Under Highly Noisy Conditions”,https://ieeexplore.ieee.org/document/10423781

3、Zhen Xu、Jinjin Guo、Lang Qin,“Predicting ICU Interventions: A Transparent Decision Support Model Based on Multivariate Time Series Graph Convolutional Neural Network”,https://ieeexplore.ieee.org/document/10477486

4、Mufan Liu、Jie Chen、Gang Wu、Lei Ji、Hao Wang,“Soft-Ack based Outer Loop Link Adaptation for Latency-constrained 5G Video Conferencing”,https://ieeexplore.ieee.org/document/10437503

编辑:李果  / 审核:李果  / 发布:陈伟

"