近日，机电工程学院2020级博士研究生魏孔元在滚动轴承故障诊断研究方向取得新进展，以第一作者完成的论文“Dimensionality reduction of rolling bearing fault data based on graph-embedded semi-supervised deep auto-encoders（基于图嵌入半监督深度自编码器的滚动轴承故障数据降维方法研究）”，于2025年4月14日在线发表在人工智能与工程技术领域国际顶级学术期刊《Engineering Applications of Artiffcial Intelligence》(影响因子：8.0，中科院一区Top，DOI: 10.1016/j.engappai.2025.110689)。论文指导教师为赵荣珍教授。
滚动轴承作为旋转机械的核心部件，其运行状态直接关系到工业装备的可靠性与安全性。针对复杂工况下轴承故障频发、传统方法在高维稀疏数据处理中表现不佳等问题，在赵荣珍教授的指导下，作者提出了一种基于图嵌入半监督深度自编码器（GESDAE）的故障数据降维方法。该方法创新性地将振动信号构建为图结构，并结合深度学习与正则化机制提升特征提取效率与模型鲁棒性。实验结果表明，该方法在多个实验平台上均取得了优异的故障识别效果，在特征可分性、可视化分析等方面也表现出显著优势。
本研究为高维复杂故障数据的智能处理提供了新思路，展示了图结构建模与深度学习融合在智能故障诊断领域的良好应用前景。
（撰稿:郑玉巧; 审核:侯运丰）
地址:甘肃省兰州市七里河区彭家坪路36号 
电话:(86-0931)-2973860 
邮箱:1051109930@qq.com
甘公网安备 62010302000691 
