游科顺 校聘教授

  • 3

    总文献量

  • 0

    ES

  • 252

    浏览量

单位:南华大学

研究方向: 工程信息

社会任职
游科顺,男,中共党员,1997年4月生,江西抚州人,2025年6月毕业于江西理工大学,获工学博士学位,主要研究方向为数智化赋能的复杂装备智能运维与服役可靠性技术。以第一作者在Reliability Engineering & System Safety、IEEE Internet of Things Journal等国际权威期刊发表SCI论文20多篇,其中6篇入选ESI全球Top 1%高被引论文,1篇入选ESI全球Top 0.1%热点论文。主持并结题省部级项目1项,参与国家自然科学基金、江西省重点研发项目等多项纵向项目、以及江西铜业、赣州有色金属、江钨集团等10余项企业委托项目,获相关国家发明专利及软件著作权十余项。长期担任IEEE Transactions on Industrial Informatics等十余个国际期刊审稿人,入选2025年度斯坦福大学全球前2%顶尖科学家年度影响力榜单。致力于智能诊断、数字孪生、故障预测等前沿研究。

个人介绍
暂无

  • 高被引文献
  • 最新文献
  • 合作学者
  • 1. 基于物理软约束的可解释多模态深度学习模型,用于核电厂中压水反应堆冷却液系统的小样本故障诊断

    [学者论文]

    作者: Keshun Y, Haidon S, Yajun W, et al

    《Expert Systems with Applications》2027年 333卷 期

    摘要:冷却液事故损失(LOCA)是加压水反应堆(PWR)中一次关键的设计基体事故,目前智能诊断面临故障样本稀缺和模型可解释性差的挑战。为此,本文提出了一种物理软约束的可解释多模态深度学习(PSCI-MDL)模型。首先,采用压力流比、非负数和温度边界约束的多尺度数据增强方法,将30个原始样本扩展为330个物理一致性样本。随后构建了多模态功能融合网络,将Mamba集成用于时间序列建模,CNN用于参数化特征,并实现物理特征处理。通过离散微分方程,将物理软约束作为正则术语嵌入其中,将保护定律转化为可微分损耗函数,使模型与工程原理保持一致。故障解释器通过梯度分析和物理规则引擎生成自然语言诊断推理。实验表明,该方法将LOCA的诊断准确率从45%提高到99.5%以上,并减少了超过32%的物理约束损失,表明该模型的预测更符合核安全分析标准所规定的基本保护定律(质量、能量和动量)。可解释性验证表示冷腿LOCA的压力特征权重为0.48(±0.03),而“严重原压降(低于30%)”等解释表明,LOCA在专家判断下实现96.7%的一致性。本工作为核电站的小样本故障诊断提供了高精度且可解释的解决方案。

    关键词:冷却剂事故损失(LOCA) ; 物理软约束 ; 多模态深度学习 ; 可解释性 ; 小样本故障诊断

    浏览量: 121 下载: 0 发表时间:2027/1/1 0:00:00
  • 2. 一种基于物理约束的多模态大型语言模型(LLM),用于处理数据不平衡且样本不足的压水堆冷却剂系统的故障诊断

    [学者论文]

    作者: Keshun Y, Haidon S, Zhichao C, et al.

    《Journal of Industrial Information Integration》2026年 52卷 期

    摘要:压力级水反应堆冷却液系统(PWRC)的故障诊断仍极具挑战性,原因包括故障事件严重采样不足、多模态异质性强,以及在安全关键环境中需要严格的物理可解释性。为应对这些局限性,本文提出了一种由物理约束的多模态LLM(PCM-LLM),将第一原理约束与深度多模态表征学习相结合。首次制定出基于物理引导的数据增强策略,在严格满足质量能量保护和热-水分边界条件的同时,扩大了有限的冷却剂损耗事故(LOCA)样品。异质传感器流(包括压力、温度和流量)随后被编码为统一的多模态张力,并通过分层的跨模态注意力机制融合而成。为了确保物理上有意义的推理,质量平衡、能量保持、动量方程和中子动力学被嵌入为可分的软约束,引导优化实现物理上合理的决策边界。此外,基于LLM的神经符号模块可生成物理上一致的诊断解释以及具有不确定性感知的推理链。在不平衡的PWRCS数据集上的实验结果表明,PCM-LLM的准确率达到92.5%,实现0.942 AUC-ROC,以及超过0.90的物理一致性,优于最先进的深度学习和物理知识基准。该方法在少量条件和高噪声环境下表现出强大的稳定性,同时提供符合工程原理的可解释的缺陷因果关系。本研究通过将数据驱动的智能与严格的物理约束相结合,建立了核安全诊断的新范式。

    关键词:加压水反应堆冷却剂系统(PWRCS) ; 物理约束型多模态LLM(PCM-LLM) ; 冷却液事故(LOCA) ; 可分量的软约束 ; 条件不多

    浏览量: 119 下载: 0 发表时间:2026/7/1 0:00:00
  • 3. 基于多模态信息异构融合的液体脉冲神经网络模型,用于可解释的旋转机械故障诊断

    [学者论文]

    作者: eshun Y, Yingkui G, Haidon S, et al.

    《Mechanical Systems and Signal Processing》2026年 246卷 期

    摘要:针对旋转机械故障诊断中动态特征衰减、多模态融合效率低以及诊断可解释性不足的问题,本文提出了一种可解释的多模态异构融合液态脉冲神经网络(LINN)模型。首先,构建了一个基于微分方程的液态编码层,通过分块反馈机制对非平稳信号中的时序动态演化特征进行建模。此外,引入了多通道泄漏积分-激发(MC-LIF)脉冲神经元,通过结合交替梯度和膜电位衰减策略来增强瞬态冲击特征的提取。最后,设计了一种注意力引导的多模态融合机制,以实现时频特征的自适应整合和贡献可解释性量化。在高噪声和变负载条件测试中,LINN仅使用410万个参数就实现了超过98.7%的准确率,以及88.64%的跨条件泛化准确率。消融实验验证了液态层和脉冲机制在增强动态建模和噪声免疫性方面的关键作用,而基于时频域注意力(TFDA)的可解释性分析进一步揭示了模型对关键时频模态贡献的敏感响应。该方法为复杂工况下的智能诊断提供了一种高精度、强泛化和可解释性的有效解决方案。 消融实验验证了液层和脉冲机制在增强动态建模和噪声免疫性方面的关键作用,而基于时频域注意力(TFDA)的可解释性分析则进一步揭示了模型对关键时频模态贡献的敏感响应。该方法为复杂工况下的智能诊断提供了一种高精度、强泛化能力和可解释性的有效解决方案。 试一试: 专家审校

    关键词:旋转机械故障诊断 ; 液脉冲神经网络 ; 多通道漏电集成与火灾(MC-LIF)脉冲神经元 ; 注意力引导融合 ; 时频域关注

    浏览量: 147 下载: 0 发表时间:2026/2/15 0:00:00