学院唐文涛教授研究团队，在基于人工智能的电机故障诊断领域取得重要进展。研究成果“Bearing Fault Diagnosis Based on POA-VMD with GADF-Swin Transformer Transfer Learning Network”在国际著名学术期刊Measurement上发表。Measurement是ELSEVIER旗下的国际权威期刊，主要刊发故障诊断与仪器仪表等方面的最新进展和评论文章，为中科院SCI二区TOP期刊，最新影响因子为5.2。论文第一作者为2023级联培研究生戴鑫与2021级联培研究生易康，导师唐文涛教授和长江大学蔡昌新副教授为该文通讯作者。

该论文针对早期轴承故障信号所导致的特征提取效果不佳与诊断精度不足等问题。提出了一种综合POA-VMD与GADF-Swin Transformer网络的复合轴承故障诊断方法。该方法针对传统特征提取算法存在的参数选取问题，结合智能算法进行了改进。同时提出了一种新的复合信号筛选指标，有效的分离出噪声分量与主导分量，能将特征提取算法与神经网络进行有效结合，显著提高诊断准确率与精度。通过Case Western Reserve University与Paderborn University轴承数据集进行实验验证，故障准确率分别为98.72%与98.87%。该成果的取得为电机故障综合诊断平台的搭建奠定了非常好的基础，也是新能源学院在人工智能研究领域取得的又一项重要成果。

新能源学院紧密对接地方主导产业，积极服务当地企业，秉承课题从企业来成果到企业去的理念，持续开展学科交叉应用，积极拓展“人工智能+”方向，推动其在新能源管控及智能装备等领域的应用。

论文链接：https://doi.org/10.1016/j.measurement.2024.11532