个人介绍
程一伟，男，必赢71886网址登录必赢71886网址登录特任教授、博士后，“地大学者”青年拔尖人才，入选“2024年全球前2%顶尖科学家”（美国斯坦福大学与Elsevier公司联合发布），中国机械工程学会/中国振动工程学会高级会员，湖北省人工智能学会会员。致力于复杂装备与系统的在线监测、异常检测、状态评估、故障诊断、寿命预测及维修决策等研究，涉及智能硬件、智能物联网、工业大数据分析、人工智能算法、边缘计算、云计算、数字孪生、区块链、工业互联网平台等关键技术。
近年来，主持国家自然科学基金面上/青年科学基金项目，中国博士后科学基金，广东省自然科学基金面上项目、湖北省自然科学基金、湖北省博士后创新研究项目等科研项目，参与国家重点研发计划等多个国家级项目重点项目。在IEEE T. Cybernetics、IEEE T. Industrial Informatics、IEEE/ASME T. Mechatronics、《中国科学：技术科学》等本领域一流期刊发表各类学术论文30余篇，ESI高被引论文6篇，论文总被引次数1000余次。出版学术专著1部，授权国家发明专利5项，软件著作权1项。
学术兼职
1. 《兵器装备工程学报》期刊青年编委
2. 《Applied Science》期刊客座编辑（SCI期刊）
3. 《Electronics》期刊客座编辑（SCI期刊）
4. 2024年第六届结构健康监测和完整性管理国际会议可靠性、预测性维护和智能运营论坛组委会委员
5. Mechanical Systems and Signal Processing、IEEE Transactions on Industrial Informatics、Knowledge-Based Systems等多个顶级期刊特邀审稿人
联系方式
邮箱: chengyiwei@cug.edu.cn
地址：必赢71886网址登录教二楼333室
研究方向
1. 工业大模型、联邦学习、深度学习等智能算法
2. 工业大数据分析与特征挖掘
3. 高端机械装备智能运维
4. 复合材料结构健康监测
讲授课程
本科生：《机械设计》、《机械设计课程设计》、《机械设计基础》
研究生：《行业发展前沿讲座》、《地质工程装备与地学仪器前沿》
科研项目
1. 国家自然科学基金面上项目, “基于多应变信号驱动和联邦迁移学习的飞艇囊体疲劳状态评估与性能预测研究”，2025.01~2028.12，项目负责人。
2. 国家自然科学基金青年科学基金项目，“基于物理机理和应变信息融合的飞艇囊体损伤检测大模型研究”，2025.01~2027.12，项目负责人。
3. 广东省基础与应用基础研究基金海上风电联合基金项目，“海上风电机组智能监测与协同故障诊断技术”，2023.11~2026.11，项目负责人。
4. 湖北省自然科学基金青年项目, “保护数据隐私的工业机器人协同智能故障诊断方法”，2023.09-2025.8，项目负责人。
5. 广东省电子信息产品可靠性技术重点实验室开放基金项目，“大数据驱动的工业机器人智能故障诊断方法”，2023.09-2025.8，项目负责人。
6. 中央高校基本科研业务费专项资金资助项目，“基于深度学习的高端装备健康监测研究”， 2021.12~2027.11，项目负责人。
7. 军委装备发展部技术基础管理中心，“XXX指标分配与预计技术研究”，2024.10-2026.09，子课题负责人。
8. 中国博士后科学基金第71批面上资助，“基于集成传感网络和深度增量学习的飞艇囊体健康监测与诊断研究”，2022.06~2024.06，项目负责人。
9. 湖北省博士后创新研究项目，“基于大数据技术的自动变速器性能数据深度挖掘”，2022.09~2024.08，项目负责人。
10. 广东省电子信息产品可靠性技术重点实验室开放基金，“基于深度学习的工业机器人故障智能诊断技术”，2019.10~2021.10，项目负责人。
11. 国家重点研发计划项目，“智能工厂柔性服务管控平台的总体架构和开发工具”，2019.10~2021.10，主研。
12.国家重点项目研发课题，“基于数字孪生的智能工厂仿真优化与动态重构技术”， 2019-2022，主研。
13. 国家自然科学基金面上项目， “基于大数据驱动的深度强化学习的智能设备预测维修研究”，2019.01-2022.12，主研。
14. 国家自然科学基金面上项目，“基于集成传感网络与数据驱动的浮空器囊体结构健康监测与安全分析”，2021.01~2024.12，主研。
15. 广东省科技厅重点领域研发计划项目，“工业机器人远程运维与诊断系统研究”， 2019.01~2021.12，主研。
16.企业横向课题，动力总成工厂发动机装配3科MES系统改造及大数据应用，2020.12-2023.03，主研。
17.企业横向课题，“产品故障预测与健康诊断管理系统（PHM2.0）实施”，2020.12-2021.06，主研。
18. 装备发展部技术基础管理中心，“装备故障预测与健康管理（PHM）应用指南标准研究”，2019.10-2022.08，主研。
学术专著
吴军，程一伟，邓超，朱海平，《深度学习在复杂系统健康监测中的应用》，ISBN:978-7-03-076799-8
学术论文
ORCID：https://orcid.org/0000-0003-3000-6860 (实时更新)
ResearchGate：https://www.researchgate.net/profile/Cheng-Yiwei-2 (实时更新)
[1] Yiwei Cheng, Haiping Zhu, Jun Wu, Xinyu Shao, Machine health monitoring using adaptive kernel spectral clustering and deep long short-term memory recurrent neural networks, IEEE Transactions on Industrial Informatics, 2019, 15(2): 987-997. (IF= 11.648, ESI highly cited paper)
[2] Yiwei Cheng, Haiping Zhu, Kui Hu, Jun Wu, Xinyu Shao, Yuanhang Wang, Reliability prediction of machinery with multiple degradation characteristics using double-Wiener process and Monte Carlo algorithm, Mechanical Systems and Signal Processing, 2019, 134: 106333.
[3] Yiwei Cheng, Manxi Lin, Jun Wu, Haiping Zhu, Xinyu Shao, Intelligent fault diagnosis of rotating machinery based on continuous wavelet transform local binary convolutional neural network, Knowledge-Based Systems, 2021, 216: 106796. (ESI highly cited paper)
[4] Yiwei Cheng, Haiping Zhu, Jun Wu, Siu Wing Or, Xinyu Shao, Remaining useful life prognosis based on ensemble long short-term memory neural network, IEEE Transactions on Instrumentation and Measurement, 2021, 70: 3503912.
[5] Kui Hu+, Yiwei Cheng+, Jun Wu , Haiping Zhu , and Xinyu Shao, Deep bidirectional recurrent neural networks ensemble for remaining useful life prediction of aircraft engine, IEEE Transactions on Cybernetics, 2022, DOI: 10.1109/TCYB.2021.3124838. (IF=19.118)
[6] Yiwei Cheng, Kui Hu, Jun Wu, Haiping Zhu, Xinyu Shao, Auto-encoder quasi-recurrent neural networks for remaining useful life prediction of engineering systems, IEEE/ASME Transactions on Mechatronics, 2022,27(2): 1081-1092. (ESI highly cited paper)
[7] Yiwei Cheng, Chao Wang, Jun Wu, Haiping Zhu, C.K.M. Lee, Multi-dimensional recurrent neural network for remaining useful life prediction under variable operating conditions and multiple fault modes, Applied Soft Computing, 2022, 118: 108507.
[8] Pengfei Liang, Wenhui Wang, Xiaoming Yuan, Siyuan Liu, Lijie Zhang, Yiwei Cheng*, Intelligent fault diagnosis of rolling bearing based on wavelet transform and improved ResNet under noisy labels and environment, Engineering Applications of Artificial Intelligence, 2022, 115, 105269.
[9] Yiwei Cheng, Xinnuo Lin, Haiping Zhu, Jun Wu, Haibin Shi, Huafeng Ding, A novel hierarchical structural pruning-multiscale feature fusion residual network for intelligent fault diagnosis, Mechanism and Machine Theory 2023, 184, 105292.
[10] 程一伟, 朱海平, 吴军, 邵新宇. 基于嵌套长短期记忆网络的机械装备剩余使用寿命预测方法. 中国科学: 技术科学, 2022, 52(01): 76-87.
[11] Yiwei Cheng, Haiping Zhu, Kui Hu, Jun Wu, Xinyu Shao, Yuanhang Wang, Multisensory data-driven health degradation monitoring of machining tools by generalized multiclass support vector machine, IEEE Access, 2019, 7: 47102-47113.
[12] Yiwei Cheng, Haiping Zhu, Kui Hu, Jun Wu, Xinyu Shao, Yuanhang Wang, Health degradation monitoring of rolling element bearing by growing self-organizing mapping and clustered support vector machine, IEEE Access, 2019, 7: 135322-135331.
[13] Yiwei Cheng, Kui Hu, Jun Wu, Haiping Zhu, Xinyu Shao, A convolutional neural network based degradation indicator construction and health prognosis using bidirectional long short-term memory network for rolling bearings, Advanced Engineering Informatics, 2021, 48: 101247
[14] Yiwei Cheng, Kui Hu, Jun Wu, Haiping Zhu, Carman KM Lee, A deep learning-based two-stage prognostic approach for remaining useful life of rolling bearing, Applied Intelligence, 2022, 52:5880–5895.
[15] Jun Wu, Manxi Lin, Yaqiong Lv, Yiwei Cheng*, Intelligent fault diagnosis of rolling bearings based on clustering algorithm of fast search and find of density peaks, Quality Engineering, 2023, 35(3): 399-412
[16] Yuanhang Wang, Jun Wu, Yiwei Cheng*, Ji Wang, Kui Hu, Memory-enhanced hybrid deep learning networks for remaining useful life prognostics of mechanical equipment, Measurement, 2022, 187:110354.
[17] Yiwei Cheng, Xinnuo Lin, Haiping Zhu, Jun Wu, Haibin Shi, Huafeng Ding, A novel hierarchical structural pruning-multiscale feature fusion residual network for intelligent fault diagnosis, Mechanism and Machine Theory 2023, 184, 105292.
[18] Yaqiong Lv, Xiaohu Zhang, Yiwei Cheng*, Carman K. M. Lee, Intelligent fault diagnosis of machinery based on hybrid deep learning with multi temporal correlation feature fusion, Quality and Reliability Engineering International, 2024, 40(6):3517-3536.
[19] J. Wu, Y. H. Su, Y. W. Cheng, X. Y. Shao, C. Deng, C. Liu, Multi-sensor information fusion for remaining useful life prediction of machining tools by adaptive network based fuzzy inference system, Appl. Soft Comput., 2018, 68: 12-23.
[20] Jun Wu, Pengfei Guo, Yiwei Cheng, Haiping Zhu, Xian-Bo Wang, Xinyu Shao, Ensemble generalized multiclass support vector machine-based health evaluation of complex degradation systems, IEEE/ASME Transactions on Mechatronics, 2020 25(5): 2230-2240.
[21] Jun Wu, Kui Hu, Yiwei Cheng, Haiping Zhu, Xinyu Shao, Yuanhang Wang, Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network, ISA Transactions, 2020, 97: 241-250.
[22] Yao Xiong, Yiwei Cheng, Meng Xu, Minhao Mu & Jun Wu, Reliability assessment of heavy-duty computer numerical control machine tools based on multiperformance multi-sequence hidden Markov model, Quality Engineering, 2020, 32:3, 409-420.
[23] Kui Hu, Yiwei Cheng, Jun Wu, Haiping Zhu, Cross-domain intelligent diagnostics for rotating machinery using domain adaptive and adversarial networks, Journal of Industrial Information Integration, 2024, 42:100722.
专利
1. 一种机械设备健康退化状态辨识方法、设备及系统 ZL201811281339.8
2. 基于角度重采样与ROC-SVM的旋转机械故障诊断方法 ZL201810849688.9
3. 一种滚动轴承健康退化状态辨识方法 201910730077.7
4. 一种滚动轴承故障预测方法 ZL201910588499.5
5. 一种设备剩余寿命预测方法及系统 ZL201910925690.4
6. 一种旋转机械的故障诊断方法及系统 201811104967.9
7. 一种劣化系统的智能保障方法 201910850562.8
8. 一种基于广义支持向量机的液压部件健康状态检测方法 201910614733.7
9. 旋转机械故障信息处理方法、处理系统、处理终端、介质 ZL202110320215.1
10. 一种旋转机械智能故障诊断方法、设备及介质 202410419951.6
11. 一种风电齿轮箱智能故障诊断方法及设备 202410499404.3
招生信息
智能算法与数据分析是新一代信息技术，是未来产业新方向。本课题组欢迎热爱科学研究、学习积极性高、对课题组研究方向感兴趣的本科生、研究生和博士后加入课题组，本科专业不限。导师一对一指导，团队技术全面支撑，组内每位硕士生在读期间均可参加国际学术会议，优秀研究生可申请硕转博，可推荐外院校攻博、CSC留学或联培等。
