【课题推荐发表期刊】

【课题背景】

本课题将构建多层次、多维度、多时空尺度的数字孪生工业装备模型(图论+深度学习)，利用成熟的AI工业大模型，并根据实际工业场景进行部分微调或提示词训练，通过训练好的大模型对数字孪生模型预测结果进行验证和评估。开发的数字孪生工业装备监测系统，可用于集成上述理论方法构建的模型与系统，和用于理论验证并为实际工业场景提供监测服务。

【课题方向参考】

• 图论+深度学习

通过图神经网络(GNN)建模设备拓扑关系(如轴承-齿轮箱耦合)，结合时空卷积网络(TCN)捕捉多传感器时序特征，实现物理结构+动态行为联合表征

• 大模型驱动的验证闭环

利用预训练工业大模型的领域知识(如设备失效模式库)，对数字孪生输出进行物理一致性校验(如能量守恒约束)，形成数据模型-知识三重验证机制

【适合人群】

计算机相关专业，本科生和研究生均可。

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Xiao，C9高校机械工程博士

• 共发表3篇SCI国际期刊(均为中科院1区影响因子10以上的顶刊，引用量截至25年1月为700+)、发表1篇EI中文核心封面文章（引用量截至25年1月为300+）

• 授权国家发明专利授权4项（面向国家重点研发计划和企业实际需求）

• 主持国家自然科学基金委面上项目，校企联合项目等多项

• 已指导多名C9博士研究生、硕士研究生的开题、中期、SCIEI小论文发表、大论文撰写；其中一名C9博士获得校级毕业论文、两名硕士获得北京市优秀毕业论文

• 善于基于学生兴趣、特长和学科基础背景给出契合职业发展的学业研究思路和方向；能结合实际工业背景，基于人工智能技术，快速创新点构思，提出理论架构的同时解决实际工业问题

• 长期担任SCI一区TOP期刊审稿人，可提供部分期刊发表资源；可提供部分开放研究数据、开源代码并指导复现；可撰写推荐信；可提供课题基金申报指导、申博指导、海外高校申请指导；就业/实习机会推荐

【课题安排】

研究周期预估六个月左右，具体视学员情况调整。

【推荐阅读】

• 2023 Towards discrete manufacturing workshop-oriented digital twin model: Modeling, verification and evolution

• 2024 Knowledge-based digital twin system: Using a knowlege-driven approach for manufacturing process modeling