1、针对旋转机械的振动信号，利用MATLAB的深度学习工具箱，采用机器学习中的深度学习方法，建立深度学习模型。

1、技术顾问
针对不同品质的麦克风的离散频谱（DFT），通过建立人工智能模型（AI），去寻找实数域上的一个实数，让这个实数来反映不同品质的麦克风的灵敏度。

职责业绩:
1、教学工作
每年给学生讲授2门不同的课程，主要有智能控制、模糊控制、先进PID控制、系统辨识及MATLAB实现、数据建模及其MATLAB实现；数学方面的知识，如: 概率论与数理统计，线性代数，最优化理论及MATTLAB实现；计算机语言，如: C语言、JAVA语言。
2、科研工作
（1）申报了以下的校级科研项目
a. 群体智能算法在智能故障诊断(PHM)中的应用。
b. 计算智能算法在数据建模中的应用。
（2）与地方企业产学研项目
a.计算智能算法在高维信息感知中的应用。
b. 群体智能算法在基于HMM的语音识别中的应用。
3、学术研究方向
a、复杂系统智能故障诊断
主要围绕计算机学科的前沿——智能计算、机器学习、模式识别、生物特征抽取，把这些方向与故障诊断相结合，与智能化制造相结合，与车辆方向的故障诊断相结合，并解决国防工业、生产实践中有关问题。
b、复杂系统结构智能优化设计。熟练各种智能算法，如: 粒子群算法、蚁群算法、蜂群算法、鱼群算法、遗传算法、免疫算法等等以及它们之间的杂合与多目标优化；并把这些算法运用到工程结构优化中去。
c、智能优化控制。把智能算法与控制相结合，对控制算法的关键参数进行优化与系统辨识，从而达到在一定程度上对被控对象在控制过程中产生的震荡与时延进行抑制与消弱。
e、把模式识别与智能系统与电磁学相结合，就计算电磁学进行开展研究。
f、复杂型面成形理论及其在加工过程中的振动分析。本方向主要研究复杂型面成形理论与加工工艺，以及采用时间序列的工具对时域上的振动测量数据分析了加工过程中的模态参数，对时间域上的测量数据进行频域上转换生成了相应的AR频谱图，并根据AR频谱图找出影响加工精度的主要因素，为进一步提高加工精度指明了方向。
同时附带对超声波加工有所了解。
4、针对“复杂系统的智能故障诊断”的各个子系统，如: 非线性特征量的抽取、振动信号时域与频域的各种处理方法以及时频域的转换、智能优化算法及其在机器人路径规划中的应用、最优化方法及其MATLAB实现、深度学习机、专家系统以及模糊专家系统、知识约简、故障树分析、FEMA分析、可靠性分析以及多源信息的融合进行了前期的大量预研。
5、个人感兴趣的方向
非线性特征量的提取工作，包括基于纯数学的方法（如: 小波及其与分形、混沌的结合），空间数据的流形学习(如: LLE，Laplace变换)，基于经典统计与非经典统计的特征抽取(如: PCA，KPCA，ICA ，KICA)；基于智能算法的方法，采用智能算法对多维特征进行有效的低维抽取，精于智能算法的种群的多样性与收敛的快速性(如: 把经典的最优化方法中的牛顿梯度思想融入智能优化算法中，以达到提高智能算法的收敛性目的)。
6、针对机器学习中的前沿――深度学习，自学了当前流行的人工智能程序语言Python语言以及TensorFlow框架。

作为参与人员参加了以下项目的研究：
省科技计划项目“闭式多杆超高速精密数控冲床的研发”

省科技计划项目“闭式多杆超高速精密数控冲床的研发”
机器学习，PHM，数据建模，智能控制，算法工程师，机械工程师，软件开发，可靠性分析
职责业绩:
复杂系统智能故障诊断:
群体智能技术作为智能计算领域的一个重要方向 ， 它是一种新的优化方法 ， 是人工智能领域研究的一个新的热点 ， 将其中的遗传优化算法应用于故障诊断领域中 ， ， 拓展了智能优化算法的应用领域。量子计算是智能计算领域中的一个前沿分支。本课题试图在智能计算领域中的前沿——量子计算方向上 ， 针对遗传优化算法 ， 进行局部创新并与常用的2大学习机（神经网络与支持向量机）相结合 ， 并把它们运用到智能故障诊断中去。
（1）针对量子遗传算法的最新研究成果，实数双链编码目标梯度量子遗传算法，英文简称 Double Chains Quantum Genetic Algorithm (DCQGA) 的特点，在分析了该算法的机理基础之上，将实数双链编码目标梯度量子遗传算法(DCQGA)与模拟退火算法(Simulated Annealing Algorithm, SAA)相结合，从而提出了实数双链编码目标梯度量子遗传模拟退火算法，英文简称: Double Chains Quantum Genetic Simulated Annealing Algorithm，英文缩写: DCQGSAA。
（2）本课题采用所提出的改进的量子遗传算法（DCQGSAA），将其与BP神经网络相结合，用之改进网络的权值与阈值，从而达到在一定程度上改进BP网络的学习性能的目的，建立了基于“改进的量子遗传算法（DCQGSAA）+BP神经网络”的混合智能故障诊断模型，并将此混合模型运用到某滚动轴承的故障诊断中，仿真结果表明所建立的混合故障诊断模型效果良好。
（3）本课题根据SOM网络与BP神经网络的优缺点，采用优势互补的原则，将2者相结合；并在本课题所提出的改进的量子遗传算法（DCQGSAA）的基础之上，首次建立了基于“SOM+BP+改进的量子遗传算法（DCQGSAA）”的混合智能故障诊断模型，试图解决神经网络的小样本学习问题；并将此混合模型首次运用到某内燃机燃油系统的故障诊断中。仿真结果表明所建立的混合故障诊断模型效果良好。
（4）支持向量机（Support Vector Machine，SVM）理论是由Vapnik等人提出的一种新的机器学习算法，该算法建立在统计学习理论中结构风险最小化原则基础之上，因此SVM具有较好的泛化能力。此外，支持向量机是一个凸二次优化问题，它能够保证找到问题的极值解，也就是全局最优解。这些特点使SVM获得了广泛的应用，但是SVM的性能对它的关键参数极为敏感，同时它的性能与研究对象的数据分布也有极大的联系。针对此问题，采用所提出的改进的量子遗传算（DCQGSAA）来优化LS-SVR中的关键参数，以达到提升LS-SVR学习性能的目的，从而建立了基于“改进的量子遗传算法（DCQGSAA）+LS-SVR”的混合非参数回归模型；通过与现有的量子遗传算法（DCQGA）进行对比，说明本课题所建立的混合非参数回归模型的优越性。
（5）建立实时、准确、可靠的液体火箭发动机的故障预测模型，对于液体火箭发动机健康监控与故障诊断具有十分重要的意义。针对液体火箭发动机故障的特点，由于其推力与氧化剂流量、燃烧剂流量、燃烧室压力等参数有密切的关联，各参数与推力之间存在着高度的复杂性和非线性关系，其故障样本具有小样本、多维数的特征，首次将所建立的基于“量子遗传算法（DCQGA）及其改进（DCQGSAA）与LS-SVR”的混合非参数回归预测模型用于液体火箭发动机的故障状态监控中，从而解决了液体火箭发动机的实时健康状态的监测问题。
在岩土力学中，边坡稳定性的评价问题是边坡工程中的一个十分重要的研究领域。由于边坡岩体的力学性质表现出强烈的不确定性，这种不确定性包括随机性、模糊性、灰色性以及未确定性。边坡稳定性与这些不确定性因素之间呈现出高度的非线性关系。首次将所建立的基于“量子遗传算法（DCQGA）及其改进（DCQGSAA）与LS-SVR”的混合非参数回归预测模型用来预测岩土力学中的边坡安全系数，从而有效地解决了边坡稳定性的评价问题。
（6）首次将所提出的改进的量子遗传算法（DCQGSAA），运用到复杂系统的智能故障诊断中去。针对复杂系统故障诊断的特点，从人类认知的角度对复杂系统进行结构与功能分解，并在决策层面上采用信息融合技术，从而建立了复杂系统的智能故障诊断的一般框架。
首次将所提出的“SOM+BP+改进的量子遗传算法（DCQGSAA）”的混合智能故障诊断路线，运用到复杂系统的各个子网络；在复杂系统的多个征兆域上，建立了基于“SOM+BP+改进的量子遗传算法（DCQGSAA）”的多个子网络智能故障诊断模型，从而较好地解决了神经网络的故障小样本学习问题，具有较大的工程应用价值。
作为参与人员参加了以下项目的研发：
国家重大科技专项“WEF11K-40*23000超大型数控船用卷板机”；
复杂系统远程智能检测与诊断技术；
板材数控加工工艺技术研究；
饲料、纺织、制膜机械现代设计技术及优化控制技术 。

PHM，振动分析，可靠性分析

职责业绩:
在这期间主要从事教学工作，讲授了以下的课程:
机械CAD设计、机械故障诊断学、计算机软件技术基础、机械工程测试技术、机械振动学；
以及计算机类的课程，如: 信息与计算机、数据结构、计算机操作系统原理、关系数据库、计算机网络与信息高速公路、软件工程技术基础、管理信息系统、信息与计算机系统的安全防护、Visual Foxpro

6.0、MATLAB语言。
可靠性分析，振动分析
薪酬状况:
0人
职责业绩:
在发动机研究所工作，协助产品新型号总师，针对新的型号发动机在工作过程中的振动进行台架实验。