近日，機(jī)械工程學(xué)院船舶與海工裝備智能制造團(tuán)隊(duì)22 級(jí)碩士研究生戴逸群在國(guó)際工業(yè)信息領(lǐng)域的頂級(jí)期刊IEEE Transactions on Industrial Informatics（影響因子11.7，中科院一區(qū)TOP）上以第一作者身份發(fā)表論文《Time-Generative Adversarial Networks Enabled Ensemble Prediction Method for Energy Consumption of Machine Tools》，機(jī)械工程學(xué)院謝陽(yáng)老師為通訊作者。同時(shí)，針對(duì)數(shù)控加工能耗預(yù)測(cè)模型的對(duì)比研究，在國(guó)際環(huán)境工程頂級(jí)期刊Journal of Cleaner Production（影響因子9.8，中科院一區(qū)TOP），以謝陽(yáng)老師第一，戴逸群第二作者身份發(fā)表論文《An integration model enabled deep learning for energy prediction of machine tools》。

研究團(tuán)隊(duì)針對(duì)工業(yè)場(chǎng)景中小樣本學(xué)習(xí)問(wèn)題，提出了一種數(shù)據(jù)增強(qiáng)的機(jī)床能耗集成預(yù)測(cè)方法，并通過(guò)時(shí)間序列過(guò)程生成對(duì)抗網(wǎng)絡(luò)提取加工全過(guò)程特征，利用增強(qiáng)樣本訓(xùn)練集成模型并對(duì)機(jī)床加工全過(guò)程做回歸預(yù)測(cè)，進(jìn)一步形成一種基于集成模型和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的機(jī)床能量預(yù)測(cè)模型，解決了數(shù)控機(jī)床能耗動(dòng)態(tài)特性表征不明確的問(wèn)題。并以數(shù)控銑削過(guò)程為例，證明了所提出模型對(duì)機(jī)床運(yùn)行狀態(tài)識(shí)別的準(zhǔn)確率可以提高到96.8%，從而在未來(lái)能夠?yàn)橹圃炱髽I(yè)建立精準(zhǔn)的能耗預(yù)測(cè)系統(tǒng)，助力“雙碳”目標(biāo)達(dá)成。

上述兩項(xiàng)研究工作均得到了國(guó)家自然科學(xué)基金（52205527；52075229）和江蘇省自然科學(xué)基金-面上項(xiàng)目（22KJB460018），以及江蘇省研究生創(chuàng)新計(jì)劃項(xiàng)目（KYCX24_4078）的資助，并且基礎(chǔ)工作均源于自然科學(xué)基金項(xiàng)目確定的研究方向、凝練的科學(xué)問(wèn)題以及戴逸群在碩士研究生階段的研究?jī)?nèi)容。上述成果的取得，充分彰顯了機(jī)械工程學(xué)院高度重視自然科學(xué)基金申報(bào)與培育工作，致力全面提升研究生的培養(yǎng)質(zhì)量。未來(lái)機(jī)械工程學(xué)院將繼續(xù)強(qiáng)化科研戰(zhàn)略布局，不斷提高科技創(chuàng)新能力。

論文1鏈接：https://ieeexplore.ieee.org/document/10880664

論文2鏈接：https://doi.org/10.1016/j.jclepro.2025.145075