6

南昌航空大學無損檢測技術教育部重點實驗室石文澤等提出，針對傳統永磁鐵式電磁聲換能器(Electromagnetic acoustic transducer,EMAT)在高溫檢測時永磁體的磁感應強度降低、帶有水冷裝置的EMAT探頭體積龐大難以適合狹窄區域檢測、永磁體易吸附鐵磁性顆粒導致換能效率下降甚至功能性損壞等問題，提出了一種高溫僅線圈式電磁超聲技術、檢測電路與建模方法。以僅螺旋線圈式EMAT為例，搭建了僅線圈式EMAT檢測電路，并對高溫檢測過程進行場路耦合有限元分析，研究了溫度對僅線圈式EMAT的檢測電路放電電流、激勵效率、超聲傳播特性和接收效率的影響規律。結果表明，影響高溫檢測回波幅值的因素按貢獻比例排序依次為：介質衰減、激勵效率、接收效率、擴散衰減、單位力激發超聲波位移幅值。所研制的僅線圈式EMAT檢測系統可以實現450℃高溫鋁合金試樣持續檢測，且二次底波的信噪比不小于16.86 dB。

5

安徽工程大學安徽省機器人產業共性技術研究中心程軍等提出，近年來，碳纖維增強樹脂基復合材料(Carbon fiber reinforced polymer，CFRP)缺陷的自動化檢測與識別已經成為無損檢測領域的熱點課題之一。然而，CFRP構件缺陷數據的不足會產生過擬合現象，導致缺陷識別精度低等問題。基于此，提出了一種基于改進遷移學習的CFRP材料缺陷渦流檢測方法。首先利用渦流C掃描成像和復平面信號特征提取獲得CFRP缺陷樣本并進行數據增強，解決了樣本不足的問題；然后利用MobileNet V2網絡與K-means聚類的方法，在熱軋帶鋼表面缺陷數據集中挑選出特征相似源域圖片進行預訓練，完成目標域相似特征的提取，減小“負遷移”的影響；最后在特征提取網絡中融合卷積注意力模塊，減少特征圖中背景特征信息的影響，再通過模型遷移的方式將源域訓練的網絡權值遷移到改進后的Faster R-CNN目標檢測模型中，建立CFRP缺陷檢測模型。通過對比試驗，該方法有效解決了CFRP構件缺陷數據較少的問題，并且具有較高的準確率和魯棒性。構建出的CFRP缺陷檢測模型實現了對裂紋、分層、褶皺三類缺陷的高精度識別，平均精度均值達到了94.62%，相較于傳統訓練方法與原始網絡遷移學習檢測精度分別提升了29.31%與2.79%，尤其對于褶皺缺陷的識別精度顯著提高，取得了較好的效果，滿足了對CFRP構件缺陷的檢測要求。

4

北京建筑大學機電與車輛工程學院周素霞等認為，依據吉布斯自由能變化值作為疲勞裂紋萌生判據，構建缺陷車軸鋼疲勞裂紋萌生壽命預測模型。通過疲勞試驗探究EA4T車軸鋼材料裂紋萌生變形機制，結合晶體塑性理論框架構建外部缺陷車軸有限元晶體模型，并結合疲勞試驗與有限元仿真獲取該晶體模型下的能效因子f。從微觀角度對車軸缺陷附近應力場及結構變形進行分析，探究外部缺陷對車軸裂紋萌生壽命的影響。對環狀劃痕和菱形這兩種缺陷車軸模型進行塑性應變能密度的標定和壽命預測。結果表明：環狀劃痕缺陷高應力集中范圍更廣，對材料組織結構產生的破壞范圍更大，更容易發生疲勞破壞。環狀劃痕缺陷的裂紋萌生壽命低于菱形缺陷，缺陷面積大，對裂紋萌生壽命的影響更嚴峻。

探花

南京航空航天大學材料科學與技術學院杜心偉等提出，電弧增材制造技術作為一種低能耗、可持續的綠色制造技術，極為適合大型復雜構件的低成本、高效制造。然而，復雜結構和高性能構件的制造需求對電弧增材制造裝備系統提出了很大的挑戰。目前，電弧增材制造裝備系統的成形精度、質量以及穩定性限制了其進一步發展和應用。闡述電弧增材制造的技術原理，從機構自由度、成形精度和質量、成形效率以及熱輸入控制等方面總結了電弧增材制造裝備系統的發展現狀，并結合電弧增材制造技術在工業制造領域的應用實例探討其廣闊的應用前景，最后展望該領域未來的發展方向。通過對裝備系統與應用進展的階段性總結，旨在促進電弧增材制造的進一步工業化應用。

榜眼

石家莊鐵道大學省部共建交通工程結構力學行為與系統安全國家重點實驗室劉文朋 等 認為，受輪軌激勵和復雜振動傳遞路徑的干擾，軸箱軸承的微弱故障特征易被強背景噪聲所湮沒，難以有效提取。為此，基于高速列車單軸滾振臺，開展輪軌激勵下軸箱振動響應特征及故障診斷方法的研究。首先，通過開展速度等級在50～300 km/h范圍內的高頻激勵試驗，采集軸承健康狀態、踏面損傷、軸承含外圈故障等條件下軸箱垂向振動響應數據，并對其時域波形、傅里葉頻譜和包絡譜等特征進行對比分析。分析結果表明：隨著速度等級升高，系統的背景噪聲逐漸增強，軸箱軸承故障特征逐漸被湮沒；踏面損傷會激起周期性的瞬態沖擊，在頻域具有明顯的稀疏性，表征為以轉頻為間隔的諧波簇，進一步加劇了軸承故障特征提取的難度。隨后，在此基礎上，提出一種倒頻譜預白化與快速譜中值峭度圖相結合的方法，用于軸箱軸承故障特征的最優共振參數識別，可以同時避免隨機沖擊和踏面損傷誘發的周期性沖擊的影響。最后，通過試驗信號對所提方法的有效性進行了驗證。

狀元

西安交通大學現代設計及轉子軸承系統教育部實驗室雷亞國等 認為， 近年來，基于深度學習的各類機械設備健康管理模型取得了顯著進展。然而，現有模型參數規模小，通常只能接受特定采頻、轉速、模態的數據，針對齒輪、軸承等特定零部件，執行監測、診斷、預測等特定任務，且難以適應新場景，缺乏持續進化能力。隨著高端設備精密性、復雜度的不斷提升，工業場景對高通用、易擴展、可進化的“一站式”健康管理服務需求日益迫切。受近年來ChatGPT等語言大模型在數據、任務、場景等方面通用化發展趨勢啟發，提出了面向機械設備通用健康管理的智能運維大模型。首先，將多模式數據通過角度域重采樣和數據分割統一編碼為詞元序列；然后，輸入基于Transformer的基底模型，提取健康信息和退化信息至特定詞元；最后，將這些特定詞元用于執行下游的監測、診斷、預測等多種任務。在故障數據和長期退化數據上對提出模型的基準性能、多任務協同性能和擴展性能進行了驗證，結果表明：提出的智能運維大模型能夠在軸承、齒輪等多種對象上聯動實現狀態監測、故障診斷和壽命預測；診斷與預測多任務能夠有效協同，互相促進性能提升，相較于單任務模型表現更為出色；在小樣本學習、持續學習等場景下，模型能夠實現快速適配部署并持續進化。因此，提出的智能運維大模型具有高通用性、易擴展性、可持續進化等特點，有望為機械設備提供通用化“一站式”健康管理服務。

對以上文章感興趣的讀者可以點擊題目，或在文后點擊“閱讀原文”在官網瀏覽。

責任編輯：李 娜

責任校對： 金 程

審 核： 張 彤

JME學院是由《機械工程學報》編輯部2018年創建，以關注、陪伴青年學者成長為宗旨，努力探索學術傳播服務新模式。

歡迎各位老師掃碼添加小助理-暖暖為好友，由小助理拉入JME學院官方群！

歡迎關注機械工程學報視頻號~

尋覓合作伙伴

有一種合作叫做真誠，有一種發展可以無限，有一種伙伴可以互利共贏，愿我們合作起來流連忘返，發展起來前景可觀。關于論文推薦、團隊介紹、圖書出版、學術直播、招聘信息、會議推廣等，請與我們聯系。

感謝關注我們！我們《機械工程學報》編輯部將努力為您打造一個有態度、有深度、有溫度的學術媒體！

版權聲明：

本文為《機械工程學報》編輯部原創內容，歡迎轉載，請聯系授權！

在公眾號后臺留言需要轉載的文章題目及要轉載的公眾號ID以獲取授權!

微信投稿、轉載等：

聯系人：暖暖

電話：010-88379909

E-mail：jme@cmes.org

網 址：http://www.cjmenet.com.cn

官方微信號：jmewechat