《中国测试》2025年度影响力文章揭晓

为更好发挥《中国测试》的平台引领作用，进一步鼓励和调动作者创造性和积极性，提高优秀论文的显示度和传播力，扩大期刊的学术影响力，2025年度影响力文章评选活动如期开展。经中国测试杂志社和评审专家的初评、复评和终评，采用定量数据（他引量、下载量）和定性指标（学科贡献、创新性、实用性和写作质量）相结合的方法，从本刊2024年刊发的论文中遴选出影响力文章10篇，现正式公布获奖名单，并向获奖论文作者颁发影响力文章证书。获奖作者1年内于本刊发表的论文可享免版面费一次。热烈祝贺获奖作者，并欢迎广大读者朋友积极投稿和引用本刊论文！（按照出版时间排序）

热烈祝贺 荣获佳绩

基于电磁耦合传感的小口径管道缺陷检测系统研发

汝改革，曾熠，高斌

孙鹏，王超，吴昊

电子科技大学自动化工程学院；

德国萨尔大学无损检测和质量保证研究所；

中石化重庆涪陵页岩气勘探开发有限公司;

四川德源管道科技股份有限公司

摘要：

石油和天然气管道在全球能源基础设施中发挥着至关重要的作用，管道在线内检测(ILI)技术是检测和评估管道完整性的重要工具，然而，它面临着诸多检测挑战，如不同类型缺陷的检出局限。该文提出一种基于电磁感应和永磁体复合磁化机理的新型ILI传感内检测系统。首先，提出一种可产生轴向漏磁场和周向均匀交流磁场的新型磁环结构(MRS)；其次，通过添加永磁体磁化结构，优化励磁结构配置，增强管壁穿透能力和磁通强度；同时，在保证内检测器在小口径管道内安全通过下，克服单一技术限制，提高对浅表层缺陷和较深埋深缺陷的检测能力。为评估所提出的MRS系统的可行性，开展了管道牵拉测试，RMS与永磁铁励磁结构的最优配置，实现对深度0.81 mm表面浅缺陷和埋深4.1 mm的亚表面缺陷检出；最终，通过有限元仿真和实验以及牵拉测试有效验证了所提方法的检测能力。

基于 Box-Cox 变换和随机系数回归的非线性退化数据建模方法

杨保奎，李天梅，张建勋，司小胜

火箭军工程大学导弹工程学院

摘要：

变换方法是处理设备非线性退化建模与剩余寿命预测的一种重要方式和可行途径，目前常见的变换方法主要为对数变换和时间尺度变换，其适用范围有限。鉴于此，文章提出一种基于Box-Cox变换(Box-Cox transformation,BCT)的非线性退化数据建模方法。首先，采用BCT对非线性退化数据进行变换，将变换后的退化数据通过线性随机系数回归模型进行建模。然后，通过构建观测数据的概率密度函数，利用极大似然估计对于BCT中的模型参数进行辨识，并运用Bayesian理论对参数进行在线更新实现退化模型的动态校准。最后，分析经过BCT后的锂电池和轴承实际退化数据，其线性度与相关系数最高分别提升69.63%、9.19%，证明文章方法可行，具有潜在的工程应用价值。

决策级融合轴承故障混合智能诊断

曾敏敏，张兵，张晓宁，朱慧龙

王云飞，郑志伟，林建辉

西南交通大学牵引动力国家重点实验室；

中车青岛四方机车车辆股份有限公司

摘要：

基于机器学习算法的智能诊断方法在轴承故障诊断中应用广泛，但是大多数诊断模型均基于某一种机器学习算法。不同的机器学习算法具有不同的特点和适用范围，基于单一算法的智能诊断模型提取故障信息的能力存在一定的局限性，容易导致误诊和漏报。针对该问题，提出一种轴承故障混合智能诊断模型。该模型的详细技术路线如下：首先，提取对轴承故障敏感的时域和频域特征来构造特征集；其次，利用MLP神经网络、多分类SVM和随机森林三种智能分类器对轴承故障进行初步诊断；最后，利用D-S证据理论进行决策级融合，以综合利用多种机器学习算法的优点和适应性，并输出最终的判决结果。实验表明该模型具有内部纠正机制，较之单分类器诊断模型准确率明显提升，更加适用于轴承的故障诊断。

基于LSTM网络的IGBT寿命预测方法研究

史业照，郭斌，郑永军

中国计量大学计量测试工程学院

摘要：

针对IGBT工作时承受热应力与电应力循环冲击导致疲劳失效的问题，提出一种基于长短期记忆（LSTM）网络的寿命预测方法。利用NASA预测中心提供的加速老化数据集，分析并选取集电极-发射极的瞬态尖峰电压作为失效特征参数，通过Matlab构建LSTM网络，采用Adam优化算法来训练网络，实现对失效特征参数数据的预测，并选取三项性能评估指标与ARIMA模型及ELMAN神经网络模型的预测进行对比分析。结果显示，LSTM网络模型预测的均方根误差为0.047 6，平均绝对误差为0.032 2，平均绝对百分误差为0.491 7%,LSTM网络模型的预测精度更高，能够更好地实现IGBT的寿命预测，也对其他电力电子器件的寿命预测有一定的参考价值。

红外干燥箱变论域模糊PID复合温控设计

凌菁，张楠，杜登熔

张璨，KHALED Ibrahim

广州航海学院信息与通信工程学院；

宁夏大学电子与电气工程学院

摘要：

烘干失重法粮食水分测定过程中，干燥箱温度的精准控制是检测结果准确性的重要保障。针对干燥箱温度变化过程非线性、时滞性和温控精度高的特点，提出一种基于粒子群模型参数辨识的变论域模糊PID复合温度控制策略。基于红外辐射干燥机理及能量守恒方程建立温控系统非线性模型，并利用粒子群优化算法完成参数辨识，通过设定二级偏差阈值，将变论域模糊PID算法结合Bang-Bang控制方法构成自适应分级复合控制策略。系统仿真实验表明：相较于常规PID控制和传统模糊PID控制方法，改进后的复合控制策略在超调量、调节时间和控制进度方面明显改善，在不同工作点温度下，控制误差均小于0.4℃，且具有较好的抗干扰能力。

视觉表面缺陷无监督学习检测方法研究进展

刘桂雄，闫奕樸，邢星奥

华南理工大学机械与汽车工程学院

摘要：

视觉表面缺陷检测是工业生产质量控制重要环节，其中无监督学习范式检测方法是重要的发展趋势。该文针对视觉表面缺陷无监督学习检测方法在工业生产、质量控制中的实际应用问题，系统介绍目前国内外的主要物体表面缺陷数据集以及缺陷视觉检测方法主要评价指标，评述图像重建范式、生成模型范式、特征嵌入范式在视觉表面缺陷无监督学习检测中的分类、基本原理及框架、应用性能等方面内容，总结比较各种方法的应用特点以及技术发展趋势，指出归一化流模型、预训练大模型等无监督视觉表面缺陷检测研究值得关注。

基于 LightGBM 算法的地层破裂压力预测方法及应用

李华洋，曹志鹏，吴小龙

朱施杰，邓金根，张水良

中国石油大学（北京）；

中国石油大学（北京） 油气资源与探测国家重点实验室；

中国科学院武汉岩土力学研究所岩土力学与工程国家重点实验室；

重庆大学煤矿灾害动力学与控制国家重点实验室；中海油天津分公司

摘要：

针对传统的地层破裂压力预测方法预测精度较低、普适性不高等问题，提出基于LightGBM机器学习算法构建破裂压力智能预测模型。以井深、地层密度和孔隙压力当量密度作为模型的输入层数据，以S区块中相邻的3口直井为例验证模型的预测效果，并将LightGBM模型与常用的声波测井资料法进行预测结果的对比分析，最后进行模型的参数敏感性分析。研究结果表明，LightGBM模型的预测精度和稳定性均很好，模型的泛化能力强，5项评价指标均表现得十分优越。LightGBM模型的预测相对误差不超过2%，小于声波测井资料法。所有输入层数据中地层密度对于破裂压力的预测最为敏感。利用LightGBM机器学习算法所建立的破裂压力预测模型不受地质环境的影响，其预测精度也大于声波测井资料法。

三维高斯溅射超分辨视觉场景构建算法

侯礼杰，沈寅松，刘晓晨，陈雪梅

贾瑞才，范广伟，申冲，

中北大学仪器与电子学院；

中北大学机电工程学院；

北京理工大学前沿技术研究院；

浙江科技大学信息与电子工程学院；

中国电子科技集团公司第五十四研究所

摘要：

目前，机器人技术在工业化与自动化产业中扮演着举足轻重的角色，然而，机器人在视觉信息感知领域仍面临感知精度不足等挑战。为提升机器人在复杂工作场景下的视觉信息精确感知能力，该文基于三维高斯溅射（3D Gaussian splatting, 3DGS）提出一种超分辨视觉场景构建算法。该算法引入真实世界增强型超分辨率生成对抗网络（real-world enhanced super-resolution generative adversarial networks, Real-ESRGAN）作为前置预处理技术生成高分辨率视图，并通过对生成的高分辨率视图下采样结果与原有的低分辨率视图对齐得到亚像素约束，进而增加三维重建细节部分的表征精细度。在场景构建过程中，自适应密度控制保证重建的精度，高斯快速可微光栅化器保证实时渲染速率。通过在具有复杂纹理、镜面反射等特征的多种场景实验验证表明，与传统3DGS相比：峰值信噪比（PSNR）指标平均提高7.81%，结构相似性指数（SSIM）指标平均提升4.31%，学习感知图像块相似度（LPIPS）指标平均降低38.35%。该算法可显著改善传统3DGS在低分辨率输入时出现的颜色渲染错误、针状伪影以及纹理信息缺失等问题，为机器人视觉信息感知提供新的技术支撑。

短时傅里叶变换结合DRSN的滚动轴承故障诊断研究

韩东洋，陈宏，陈新财，王军辉，魏李军

郑州大学机械与动力工程学院

振动工程研究所

摘要：

针对滚动轴承在复杂噪声环境下故障分类困难等问题，文章提出一种短时傅里叶变换（STFT）和深度残差收缩网络（DRSN）相结合的轴承故障诊断方法。首先利用短时傅里叶变换对滚动轴承原始振动信号进行时域频域处理得到信息更丰富的故障时频图样本，分为训练集和测试集；将软阈值模块引入到深度残差网络残差块中，其中的残差连接和软阈值模块能够滤除噪声并提取样本特征中的有效信息，输出到分类器上完成端对端的高准确率轴承故障分类。为验证所提方法的可行性，将该方法与其他模型作对比，实验结果表明，该方法在强噪声干扰下能表现出较高的分类性能，稳定性优于其他模型。

基于IF-SVMD-BWO-LSTM的空气质量预测建模

朱菊香，谷卫，钱炜，张赵良，张雯柏

无锡学院江苏省工业环境危害要素监测与评估工程研究中心；

南京信息工程大学自动化学院；

同济大学国家磁悬浮交通工程技术研究中心

摘要：

为了提高PM2.5浓度的预测精度，基于PM2.5序列的复杂性和非线性，提出孤立森林(isolated forests,IF)异常值检测、逐次变分模态分解(successive variational mode decomposition,SVMD)和白鲸鱼算法(Beluga whale optimization,BWO)优化长短期记忆网络(long short-term memory network,LSTM)相结合的预测模型。首先，利用孤立森林算法清除数据中异常值；其次使用SVMD将原始不平稳的PM2.5序列进行分解，去除噪声数据后得到多个平稳的固有模态分量和残差分量，提高模型预测精度；然后，对分解后各个子序列使用LSTM进行预测，并利用BWO算法优化LSTM的权重和阈值，进一步提高组合模型的预测精度；最后将各个子序列进行叠加得到最终的预测结果。实验结果表明：IF-SVMD-BWO-LSTM模型在均方根误差比SVMD-BWO-LSTM模型和BWO-LSTM模型分别降低了4.03μg/m3和10.3μg/m3。在拟合度方面，该模型比SVMD-BWO-LSTM模型和BWO-LSTM模型分别高了3.8%和9.5%。因此在空气质量预测上，该组合模型提高了PM2.5预测精度，达到预期的预测效果。

【征文】

【期刊】

【创刊50周年】

【科普】