2023-10-26
各学院(部)：
为更好开展新工科毕设项目，提升项目质量和水平，“工程装备智能设计与智能运维关键技术”新工科毕业设计项目现面向全校教师和毕业班学生进行招募。现将有关事项通知如下。
随着“中国制造”向“中国智造”转变，智能设计、智能控制以及智能运维成为贯穿高端智能装备研发与服役过程的核心技术，是数学、力学等基础学科与机械工程、土木工程、计算机科学、管理科学等应用学科交叉研究的新领域，也是本新工科毕设项目选题的重要背景来源。 本项目拟结合实际应用场景，提升学生综合运用所学的知识解决实际问题的能力，以此培养具有问题驱动、应用导向、学科交叉的复合型人才。
项目团队近年依托项目制课程、大创、科技竞赛、毕设等多种环节先后指导力学强基、拔尖、机械大类、应用数学、计算机科学、管理科学等跨专业学生开展创新实践，实施多维度的项目培育与探索，先后承担了与之相关的多项国家级科研项目，具备物理实验平台、仿真计算与算法开发平台等基础条件，为项目开展提供明确的场景需求、数据以及必要的技术储备。本新工科毕设项目一期已在2022-2023学年，由来自应用数学中心、机械工程学院、智算学部、经管学部等8位教师指导完成13位本科生的毕设课题。
本新工科毕设项目规划自2023年11月启动至2024年6月结束。旨在以明确的工程问题场景为牵引，将不同学科的指导老师和毕业设计本科生，组织成一个横跨机械学院、数学学院、应用数学中心、智算学部、经管学部等多学院多专业交叉研究团队，围绕智能设计、智能控制决策、故障诊断预测、质量控制、可靠性分析、预测性维护等关键技术，以本科生毕设课题为载体，实现学科交叉属性的人才培养。项目拟邀请核工业理化工程研究院、中国航发、广汽研究院等资深专家担任企业导师，提供真实场景、问题和数据，共同参与指导学生毕设工作。
拟设置6个方向的研究任务（毕设课题选题根据指导教师与意向学生对接确认后具体确定）:
方向1：大型隧道装备掘进控制参数智能预测与能效优化
研究开发基于装备服役过程中状态实时检测数据分析与机器学习的掘进控制参量预测参数智能预测与能效优化算法，针对几类典型地质工况与装备类别建立相适应的工程计算模型，基于实际工程案例评估模型的学习与辅助决策能力；
方向2：物理信息融合下的装备缺陷检测与失效分析
基于物理场间接测量数据，结合物理机理进行缺陷检测与失效分析；开展基于AI的有限元网格智能修正及划分算法研究，实现网格划分自动化率提升，助力仿真研发流程效率提升；针对孔洞预测、参数反演等任务场景，开发基于机器学习的降阶模型。
方向3：工程环境下多模态数据处理算法研究
面向大型工程场景以多源/多模态数据为对象，针对数据质量不佳（噪声或缺失等）、模态跨度大（不同传感器或数据尺度不一致等）、环境变化敏感（天气或场地等）的实际情况，开展数据质量增强、多模态配准互补、鲁棒预测等算法研究；设计多传感器信息动态融合算法，有效感知不同传感器的工作状态。
方向4：可解释性与鲁棒性增强的装备故障检测算法研究
基于深度学习的智能故障诊断算法会随着设备运行环境与任务剖面的改变而波动，拟针对变工况问题开展可泛化故障诊断算法及其可解释性研究；拟基于开放集识别方法，构建智能诊断模型，实现对已知类故障的准确识别和未知类故障的精准检测。对故障预测中的智能模型的不确定性进行建模与控制；针对复杂系统中的故障发现与定位，研究网络拓扑结构异常检测算法。
方向5: 动态环境下的装备维修策略评估与优化研究
外界动态因素的影响会显著影响工件/系统的可靠性指标及维修策略的选择。本研究拟考虑环境因素的不完美维修策略，针对等间隔检测下的产品或系统进行维修策略的优化；考虑长期和短期两种决策场景，引入时间价值模型对该问题进行求解；基于强化学习开展智能维修决策算法研究。
方向6：装备智能诊断算法边缘部署的优化研究
边缘计算对恶劣工况下的数据采集、处理与算法研究提供了计算解决方案。本研究拟基于边缘计算框架，设计数据预处理方案，识别设备负载特性的类型，研究基于联邦学习的异常检测算法；基于元学习开展自适应剪枝研究，针对不同故障模式，训练自适应剪枝模型，减少模型参数量及计算复杂度，实现模型在边缘设备上优化部署。
意向参与项目的老师同学请填写以下文档（微信扫码），截止时间2023年11月13日。
关于项目如有任何疑问，可邮件联系邓英俊老师(yingjun.deng@tju.edu.cn)。
2023年10月26日