近日，我院刘永红教授团队在电火花铣削机床逆变器智能故障诊断方面取得重要进展，相关研究成果《基于自适应高斯小波卷积网络的电火花铣削机床逆变器开路故障诊断》（Fault diagnosis in open circuit of inverters on electrical discharge milling machines using adaptive Gaussian wavelet convolutional network）发表在《Measurement》期刊。《Measurement》是工程技术领域的国际权威期刊，目前影响因子为5.2（SCI二区）。论文第一作者为机械工程专业2018级本研一体化硕士研究生李建国，目前就读于天津大学攻读博士学位；通讯作者为刘永红教授，中国石油大学（华东）为唯一署名单位和唯一通讯单位。该研究得到国家自然科学基金、装备预研教育部联合基金、国家资助博士后研究人员计划、山东省泰山学者经费和山东省博士后创新项目的资助。
论文首页
电火花铣削机床作为绿色制造领域的高精密加工装备，其驱动系统逆变器的实时精准故障诊断对保障设备连续高效运行至关重要。然而，传统诊断方法难以适应电火花铣削机床复杂多变的工况和强噪声干扰，导致故障特征隐蔽性强、诊断可靠性不足。
论文研究框架示意图
针对上述挑战，团队提出了一种基于自适应高斯小波卷积网络（AGWCN）的创新诊断方法。该方法通过变分自注意力可变形卷积层动态提取电流信号特征，结合高斯小波池化层降噪并保留关键信息，实现了逆变器单开关与双开关开路故障的高精度识别。实验表明，AGWCN模型在仿真和实测数据集上的诊断准确率达99.72%，响应时间小于24毫秒，显著优于传统机器学习与现有深度学习方法。该成果为工业场景下电火花铣削机床的智能化运维提供了可靠技术支撑，对提升加工效率、降低维护成本具有重要意义。
论文链接：https://doi.org/10.1016/j.measurement.2025.116856
