[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tags-groups":3,"chains-groupcat":4,"experts-list":5,"experts-coverage":27},[],[],{"list":6,"total":25,"page":25,"pageSize":26,"totalPages":25},[7],{"id":8,"name":9,"orgName":10,"school":11,"gender":12,"title":13,"degree":14,"honor":15,"position":15,"researchDirection":16,"intro":17,"province":18,"completeness":19,"avatarAuthorized":20,"sourceUrl":21,"nameValid":22,"tags":23,"tagNames":24},"8fb328b6-8be0-e8ff-360c-239174c9e676","刘晓飞","长安大学汽车学院","长安大学","男","讲师","博士",null,"背景介绍机械装备健康监测与寿命预测是智能运维的核心，能够提前预警故障、优化维护决策，在航空航天、能源动力、交通运输等高端装备领域对保障设备安全、降低维护费用至关重要。本人研究内容围绕信号特征提取、健康状态监测及剩余寿命预测开展相关研究工作。Your user agent does not support the HTML5 Video element.研究内容一：信号特征提取机械装备在退化过程中，其损伤程度由早期故障逐步发展为严重故障，并最终导致功能失效。监测的振动信号中故障冲击特征的演变过程正是状态监测和剩余寿命预测的重要依据。然而，由于机械系统结构复杂、工况时变等特性，导致故障冲击成分被淹没。如何从强背景噪声中提取有效的故障冲击成分，是智能运维的重要基础环节。Your user agent does not support the HTML5 Video element.研究内容二：剩余寿命预测剩余寿命预测通过对机械装备在实际工况下的运行数据进行分析，预估设备从当前状态到失效所需的时间。工程实际中，机械装备常面临复杂时变工况，这使得监测数据存在时变性和不确定性，从而导致退化特征分布差异。如何克服时变工况导致的退化特征分布差异，构建监测信号与剩余寿命的准确映射关系，是智能运维的核心环节。研究方法涵盖：深度学习神经网络、迁移学习、数字孪生等。发布齿轮疲劳寿命实验数据集：百度网盘链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1zyIr7pE3yD8D2kbx5GCgCA  提取码: XJTU","刘晓飞，山东东营人，现为长安大学汽车学院讲师、师资博士后。本科就读于南京理工大学机械工程与自动化专业，硕士就读于大连理工大学机械电子工程专业，2025年6月获得西安交通大学工学博士学位。研究方向：面向车辆、风电等装备复杂服役工况，开展信号特征提取、健康状态监测、数字孪生建模及剩余寿命预测等方面研究。发表MSSP、TII等领域Top期刊论文10余篇。 \n                                \n                                \n                                    \n                                         社会职务 \n                                    \n                                     担任Mechanical Systems and Signal Processing、IEEE Transactions on Reliability等学术期刊审稿人","陕西",91,false,"http:\u002F\u002Fjs.chd.edu.cn\u002Fqcxy\u002Flxf2\u002Flist.htm",true,[],[],1,30,{"schools":28},297]