1.机器视觉

视觉正处于一个令人兴奋的发展阶段。它的许多领域正在接近足够高的性能水平，可用于实际的工程问题，并且许多端口正向机器学习、图形和移动机器人等相关领域开放。在实际工程应用中，机器视觉系统每分钟可以检查数百甚至和上千个零部件，并可提供比检查员更准确、更可靠的检查结果。通过减少缺陷、提高产量、促进法规遵从以及使用机器视觉跟踪零件，制造商可以节省资金并提高盈利能力。本方向的研究正是针对这个领域。团队工作的中心主题是将机器视觉和图形的不同领域连接到所谓的“认知循环”，即多种视觉模式相互支持的协作反馈循环，以解决和完成更大的工程实际任务。例如，在对象识别中，它可以提供图像内容的语义解释，从而大大简化图像或视频中检测对象的缺陷分割、跟踪、识别等任务。

具体研究实例：

团队利用视觉Transformer对缺陷的工业图片进行语义分析，通过Transformer的全局能力和卷积方法的局部捕捉能力，实现对具体缺陷的实例分割。

2.智能运维

智能 运维是通过融合人工智能技术，如机器学习、数据科学和大数据分析，对传统的运维流程进行增强的策略。通过数据分析、自动化故障诊断与预测、以及优化决策支持，提升生产效率和稳定性。深度学习是一种基于神经网络的机器学习技术，它受到人脑处理信息方式的启发，通过构建包含多层处理单元的复杂网络结构，学习到数据中的高层次特征。随着工业物联网(IOT)的不断发展，结合深度学习的智能运维正变得越来越重要，为工业4.0革命创造新的可能性。这种方法使用多层神经网络来分析从机器和传感器收集的数据，识别复杂的数据模式，从而诊断和预测设备故障，实现及时维护，减少或消除生产中断及经济损失。随着技术的发展，深度学习正在不断突破新的限制，驱动人工智能领域的创新。

具体研究实例：

团队利用卷积神经网络(CNN)对旋转机械进行故障诊断，通过CNN的强大特征提取能力分析信号中的深层次特征，实现故障模式的智能识别。

3.仿生隔振

仿生 隔振是受自然界中生物抵抗冲击、抑制振动的启发，利用基本元件（连杆、弹簧等）或控制结构形成的隔振-吸振装置，解决现有线性隔振结构出现的无法调和的矛盾。基于非线性动力学理论及仿生学，构建更加精确的可调控本构仿生隔振-吸振一体化新构型，实现仿生隔振-吸振结构的高静低动性能、（超）低频隔振及宽频隔振等性能。在一定程度上实现大型复杂柔性结构非线性动力学特性反向设计方法和全频振动抑制效果。该结构在航空航天、汽车工程、船舶工程、轨道交通、大型结构及精密仪器加工等领域实现泛化应用。

具体研究实例：

团队基于袋鼠、鸵鸟等生物隔振/吸振的特点，构建了仿生隔振、仿生隔振-吸振结构的动力学模型。通过对仿生结构的优化，再不改变承载能力的前提下实现低、宽频隔振。

4.结构动力学与振动控制

结构动力学与振动控制的主要目的是建立精确的（机械）结构的动力学模型及实现（机械）系统的振动控制。基于非线性振动理论，通过对（机械）结构的精确计算及建模，分析（机械）系统不同方向的振动特性。结合传递路径分析法和动态灵敏度技术，计算系统各部件的振动贡献度；结合振动控制理论，将（机械）系统的能量进行转移或吸收，进而实现结构的振动抑制。该技术主要用于解决建筑、船舶以及机械等多领域的模型建立、优化及振动控制。

具体研究实例：

团队建立了具有中间支承的欧拉-伯努利梁(Euler-Bernoulli beam)动力学模型，通过对结构关键参数的优化，实现了结构振动的控制。