| 美国机械工程师学会会士严如强： |
|
| 国民经济重大装备的“守护者” |
|
2019年7月，正在美国参加学术会议的西安交通大学教授严如强收到了一个喜讯——成功当选为新一届美国机械工程师学会会士（ASME Fellow）。他入选的理由为：为推动数据分析在制造设备/部件状态监测、故障诊断和剩余使用寿命预测方面的发展作出了突出贡献。
这一成果的获得绝非偶然，而是严如强多年重大装备智能诊断学术之路的浓缩与提炼。
起步：从“小波变换”到“缺陷识别”
早在严如强在美国马萨诸塞大学阿默斯特分校机械与工业工程系攻读博士学位期间，他就建立了基于信息论测度的小波基量化选取理论框架，用以指导选择合适的小波基函数，进而从机器设备测量的振动信号中有效地提取特征信息。
小波变换作为一种数学工具，已在各大工程领域应用多年，但个中机理仍不完全明确。诸如用小波分析动态信号时，到底选哪个小波基函数？为什么选这个、不选那个？为什么选择一个小波基函数会影响到人们对整个机器运行状态的评估？基于此，严如强在博士毕业论文中系统回答了这些问题。
2006年8月~2008年8月，严如强赴美国国家标准与技术研究院工作，年轻的他承担了研究院发起的“智能加工系统”大型项目的关键部分，致力于具有在线监测和自诊断功能的“智能机床主轴”的设计、建模和实现。作为主要研究者，他的研究成果促进了学术界对重大机床装备在恶劣环境下的失效机理的深入认知，显著降低了维护成本，提高了生产率和精度。
此外，他还开发了先进的机床主轴状态在线监测和故障诊断技术，实现了有效、可视化的机床主轴缺陷识别，为日后针对重大装备智能诊断的研究之路奠定了坚实基础。
进阶：给传感器装上“身份证”和“处理器”
2009年，严如强毅然选择回国继续科学研究。
设备监测不可避免地需要使用大量传感器。普通传感器测得数据后，通常一股脑儿地将数据传回，缺乏准确来源和有效分析，技术人员甚至搞不清到底是哪个点位的传感器传回的数据，这严重影响了对数据的利用。
严如强就此提出了解决方案：基于他们研究制定的IEEE国际标准，为每个传感器配备一个独特的“身份证”，使得接收器可以明确知道这是哪个传感器传回的数据。“更方便的是，基于这个标准，传感器数据得以实现‘本地处理’，如果需要原始数据，我们也可以实现解析还原。”严如强告诉《科学新闻》。
传感器是故障诊断必备的检测装置，长期以来，国产传感器在测量精度和范围等方面都远远落后于进口传感器。不仅如此，同一传感器在中国的售价通常是国外的两倍，这些明显的差距深深刺激着严如强。
经过三四年的反复研究和论证，严如强和其他国际相关领域的专家一起提出了基于贝叶斯网络理论的传感器网络划分方法，设计了具有发射功率自适应调节功能的智能无线传感节点及节点级/网络级节能策略，为风场广布式风电装备的多传感器网络化信息获取提供了一种新的解决方案。
“希望国产传感器的精度越来越高，作为科研工作者，必须更加努力。”严如强表示。
愿景：让科研成果助力产业提质增效
当前，制造服务融合已发展成为一种涵盖产品全生命周期、以制造服务为驱动力的制造业发展的新范式。然而，如何收集产品在研发、制造、运维等阶段的海量数据；如何分析并研究产品在使用和维护过程中的状态变化；如何通过各阶段数据与知识的集成应用，形成反馈从而逆向指导设计、制造、运维甚至全生命周期阶段的协同与优化，是全球制造业共同面临的挑战。
2018年，严如强从故乡南京毅然“西迁”，加入西安交大机械学院，展开基于新一代人工智能的诊断与预测、智能制造、制造服务新模式等领域研究。依托西安交大平台，严如强牵头主持了国家自然科学基金重点项目和科技部重点研发计划项目，致力于引导建立以诊断预测为核心的制造服务融合产业新模式。
重大装备智能信息处理、故障诊断与预测研究涵盖国民经济主战场的诸多领域。未来，严如强将带领团队，持续推动高等院校与高水平制造企业的深入合作，建成产学研全链条的运维反馈机制，促进设计制造和运维服务全面融合，以帮助企业系列化产品设计制造的升级改进，提升重大装备运行性能。
让我们的研究成果广泛应用于国民经济重要行业，真正成为国民经济重大装备“智能守护神”，这就是严如强质朴的心愿。■
《科学新闻》 (科学新闻2019年12月刊 教育)