《中國測試》2025年度影響力文章揭曉

為更好發揮《中國測試》的平臺引領作用，進一步鼓勵和調動作者創造性和積極性，提高優秀論文的顯示度和傳播力，擴大期刊的學術影響力，2025年度影響力文章評選活動如期開展。經中國測試雜志社和評審專家的初評、復評和終評，采用定量數據（他引量、下載量）和定性指標（學科貢獻、創新性、實用性和寫作質量）相結合的方法，從本刊2024年刊發的論文中遴選出影響力文章10篇，現正式公布獲獎名單，并向獲獎論文作者頒發影響力文章證書。獲獎作者1年內于本刊發表的論文可享免版面費一次。熱烈祝賀獲獎作者，并歡迎廣大讀者朋友積極投稿和引用本刊論文！（按照出版時間排序）

熱烈祝賀 榮獲佳績

基于電磁耦合傳感的小口徑管道缺陷檢測系統研發

汝改革，曾熠，高斌

孫鵬，王超，吳昊

電子科技大學自動化工程學院；

德國薩爾大學無損檢測和質量保證研究所；

中石化重慶涪陵頁巖氣勘探開發有限公司;

四川德源管道科技股份有限公司

摘要：

石油和天然氣管道在全球能源基礎設施中發揮著至關重要的作用，管道在線內檢測(ILI)技術是檢測和評估管道完整性的重要工具，然而，它面臨著諸多檢測挑戰，如不同類型缺陷的檢出局限。該文提出一種基于電磁感應和永磁體復合磁化機理的新型ILI傳感內檢測系統。首先，提出一種可產生軸向漏磁場和周向均勻交流磁場的新型磁環結構(MRS)；其次，通過添加永磁體磁化結構，優化勵磁結構配置，增強管壁穿透能力和磁通強度；同時，在保證內檢測器在小口徑管道內安全通過下，克服單一技術限制，提高對淺表層缺陷和較深埋深缺陷的檢測能力。為評估所提出的MRS系統的可行性，開展了管道牽拉測試，RMS與永磁鐵勵磁結構的最優配置，實現對深度0.81 mm表面淺缺陷和埋深4.1 mm的亞表面缺陷檢出；最終，通過有限元仿真和實驗以及牽拉測試有效驗證了所提方法的檢測能力。

基于 Box-Cox 變換和隨機系數回歸的非線性退化數據建模方法

楊保奎，李天梅，張建勛，司小勝

火箭軍工程大學導彈工程學院

摘要：

變換方法是處理設備非線性退化建模與剩余壽命預測的一種重要方式和可行途徑，目前常見的變換方法主要為對數變換和時間尺度變換，其適用范圍有限。鑒于此，文章提出一種基于Box-Cox變換(Box-Cox transformation,BCT)的非線性退化數據建模方法。首先，采用BCT對非線性退化數據進行變換，將變換后的退化數據通過線性隨機系數回歸模型進行建模。然后，通過構建觀測數據的概率密度函數，利用極大似然估計對于BCT中的模型參數進行辨識，并運用Bayesian理論對參數進行在線更新實現退化模型的動態校準。最后，分析經過BCT后的鋰電池和軸承實際退化數據，其線性度與相關系數最高分別提升69.63%、9.19%，證明文章方法可行，具有潛在的工程應用價值。

決策級融合軸承故障混合智能診斷

曾敏敏，張兵，張曉寧，朱慧龍

王云飛，鄭志偉，林建輝

西南交通大學牽引動力國家重點實驗室；

中車青島四方機車車輛股份有限公司

摘要：

基于機器學習算法的智能診斷方法在軸承故障診斷中應用廣泛，但是大多數診斷模型均基于某一種機器學習算法。不同的機器學習算法具有不同的特點和適用范圍，基于單一算法的智能診斷模型提取故障信息的能力存在一定的局限性，容易導致誤診和漏報。針對該問題，提出一種軸承故障混合智能診斷模型。該模型的詳細技術路線如下：首先，提取對軸承故障敏感的時域和頻域特征來構造特征集；其次，利用MLP神經網絡、多分類SVM和隨機森林三種智能分類器對軸承故障進行初步診斷；最后，利用D-S證據理論進行決策級融合，以綜合利用多種機器學習算法的優點和適應性，并輸出最終的判決結果。實驗表明該模型具有內部糾正機制，較之單分類器診斷模型準確率明顯提升，更加適用于軸承的故障診斷。

基于LSTM網絡的IGBT壽命預測方法研究

史業照，郭斌，鄭永軍

中國計量大學計量測試工程學院

摘要：

針對IGBT工作時承受熱應力與電應力循環沖擊導致疲勞失效的問題，提出一種基于長短期記憶（LSTM）網絡的壽命預測方法。利用NASA預測中心提供的加速老化數據集，分析并選取集電極-發射極的瞬態尖峰電壓作為失效特征參數，通過Matlab構建LSTM網絡，采用Adam優化算法來訓練網絡，實現對失效特征參數數據的預測，并選取三項性能評估指標與ARIMA模型及ELMAN神經網絡模型的預測進行對比分析。結果顯示，LSTM網絡模型預測的均方根誤差為0.047 6，平均絕對誤差為0.032 2，平均絕對百分誤差為0.491 7%,LSTM網絡模型的預測精度更高，能夠更好地實現IGBT的壽命預測，也對其他電力電子器件的壽命預測有一定的參考價值。

紅外干燥箱變論域模糊PID復合溫控設計

凌菁，張楠，杜登熔

張璨，KHALED Ibrahim

廣州航海學院信息與通信工程學院；

寧夏大學電子與電氣工程學院

摘要：

烘干失重法糧食水分測定過程中，干燥箱溫度的精準控制是檢測結果準確性的重要保障。針對干燥箱溫度變化過程非線性、時滯性和溫控精度高的特點，提出一種基于粒子群模型參數辨識的變論域模糊PID復合溫度控制策略。基于紅外輻射干燥機理及能量守恒方程建立溫控系統非線性模型，并利用粒子群優化算法完成參數辨識，通過設定二級偏差閾值，將變論域模糊PID算法結合Bang-Bang控制方法構成自適應分級復合控制策略。系統仿真實驗表明：相較于常規PID控制和傳統模糊PID控制方法，改進后的復合控制策略在超調量、調節時間和控制進度方面明顯改善，在不同工作點溫度下，控制誤差均小于0.4℃，且具有較好的抗干擾能力。

視覺表面缺陷無監督學習檢測方法研究進展

劉桂雄，閆奕樸，邢星奧

華南理工大學機械與汽車工程學院

摘要：

視覺表面缺陷檢測是工業生產質量控制重要環節，其中無監督學習范式檢測方法是重要的發展趨勢。該文針對視覺表面缺陷無監督學習檢測方法在工業生產、質量控制中的實際應用問題，系統介紹目前國內外的主要物體表面缺陷數據集以及缺陷視覺檢測方法主要評價指標，評述圖像重建范式、生成模型范式、特征嵌入范式在視覺表面缺陷無監督學習檢測中的分類、基本原理及框架、應用性能等方面內容，總結比較各種方法的應用特點以及技術發展趨勢，指出歸一化流模型、預訓練大模型等無監督視覺表面缺陷檢測研究值得關注。

基于 LightGBM 算法的地層破裂壓力預測方法及應用

李華洋，曹志鵬，吳小龍

朱施杰，鄧金根，張水良

中國石油大學（北京）；

中國石油大學（北京） 油氣資源與探測國家重點實驗室；

中國科學院武漢巖土力學研究所巖土力學與工程國家重點實驗室；

重慶大學煤礦災害動力學與控制國家重點實驗室；中海油天津分公司

摘要：

針對傳統的地層破裂壓力預測方法預測精度較低、普適性不高等問題，提出基于LightGBM機器學習算法構建破裂壓力智能預測模型。以井深、地層密度和孔隙壓力當量密度作為模型的輸入層數據，以S區塊中相鄰的3口直井為例驗證模型的預測效果，并將LightGBM模型與常用的聲波測井資料法進行預測結果的對比分析，最后進行模型的參數敏感性分析。研究結果表明，LightGBM模型的預測精度和穩定性均很好，模型的泛化能力強，5項評價指標均表現得十分優越。LightGBM模型的預測相對誤差不超過2%，小于聲波測井資料法。所有輸入層數據中地層密度對于破裂壓力的預測最為敏感。利用LightGBM機器學習算法所建立的破裂壓力預測模型不受地質環境的影響，其預測精度也大于聲波測井資料法。

三維高斯濺射超分辨視覺場景構建算法

侯禮杰，沈寅松，劉曉晨，陳雪梅

賈瑞才，范廣偉，申沖，

中北大學儀器與電子學院；

中北大學機電工程學院；

北京理工大學前沿技術研究院；

浙江科技大學信息與電子工程學院；

中國電子科技集團公司第五十四研究所

摘要：

目前，機器人技術在工業化與自動化產業中扮演著舉足輕重的角色，然而，機器人在視覺信息感知領域仍面臨感知精度不足等挑戰。為提升機器人在復雜工作場景下的視覺信息精確感知能力，該文基于三維高斯濺射（3D Gaussian splatting, 3DGS）提出一種超分辨視覺場景構建算法。該算法引入真實世界增強型超分辨率生成對抗網絡（real-world enhanced super-resolution generative adversarial networks, Real-ESRGAN）作為前置預處理技術生成高分辨率視圖，并通過對生成的高分辨率視圖下采樣結果與原有的低分辨率視圖對齊得到亞像素約束，進而增加三維重建細節部分的表征精細度。在場景構建過程中，自適應密度控制保證重建的精度，高斯快速可微光柵化器保證實時渲染速率。通過在具有復雜紋理、鏡面反射等特征的多種場景實驗驗證表明，與傳統3DGS相比：峰值信噪比（PSNR）指標平均提高7.81%，結構相似性指數（SSIM）指標平均提升4.31%，學習感知圖像塊相似度（LPIPS）指標平均降低38.35%。該算法可顯著改善傳統3DGS在低分辨率輸入時出現的顏色渲染錯誤、針狀偽影以及紋理信息缺失等問題，為機器人視覺信息感知提供新的技術支撐。

短時傅里葉變換結合DRSN的滾動軸承故障診斷研究

韓東洋，陳宏，陳新財，王軍輝，魏李軍

鄭州大學機械與動力工程學院

振動工程研究所

摘要：

針對滾動軸承在復雜噪聲環境下故障分類困難等問題，文章提出一種短時傅里葉變換（STFT）和深度殘差收縮網絡（DRSN）相結合的軸承故障診斷方法。首先利用短時傅里葉變換對滾動軸承原始振動信號進行時域頻域處理得到信息更豐富的故障時頻圖樣本，分為訓練集和測試集；將軟閾值模塊引入到深度殘差網絡殘差塊中，其中的殘差連接和軟閾值模塊能夠濾除噪聲并提取樣本特征中的有效信息，輸出到分類器上完成端對端的高準確率軸承故障分類。為驗證所提方法的可行性，將該方法與其他模型作對比，實驗結果表明，該方法在強噪聲干擾下能表現出較高的分類性能，穩定性優于其他模型。

基于IF-SVMD-BWO-LSTM的空氣質量預測建模

朱菊香，谷衛，錢煒，張趙良，張雯柏

無錫學院江蘇省工業環境危害要素監測與評估工程研究中心；

南京信息工程大學自動化學院；

同濟大學國家磁懸浮交通工程技術研究中心

摘要：

為了提高PM2.5濃度的預測精度，基于PM2.5序列的復雜性和非線性，提出孤立森林(isolated forests,IF)異常值檢測、逐次變分模態分解(successive variational mode decomposition,SVMD)和白鯨魚算法(Beluga whale optimization,BWO)優化長短期記憶網絡(long short-term memory network,LSTM)相結合的預測模型。首先，利用孤立森林算法清除數據中異常值；其次使用SVMD將原始不平穩的PM2.5序列進行分解，去除噪聲數據后得到多個平穩的固有模態分量和殘差分量，提高模型預測精度；然后，對分解后各個子序列使用LSTM進行預測，并利用BWO算法優化LSTM的權重和閾值，進一步提高組合模型的預測精度；最后將各個子序列進行疊加得到最終的預測結果。實驗結果表明：IF-SVMD-BWO-LSTM模型在均方根誤差比SVMD-BWO-LSTM模型和BWO-LSTM模型分別降低了4.03μg/m3和10.3μg/m3。在擬合度方面，該模型比SVMD-BWO-LSTM模型和BWO-LSTM模型分別高了3.8%和9.5%。因此在空氣質量預測上，該組合模型提高了PM2.5預測精度，達到預期的預測效果。

【征文】

【期刊】

【創刊50周年】

【科普】