第29届IEEE机械电子与机器视觉应用国际会议（The IEEE 29th International Conference on Mechatronics and Machine Vision in Practice, M2VIP 2023）于新西兰时间11月21日-11月24日在新西兰皇后镇召开。本次会议由新西兰奥克兰大学(Auckland University)和新西兰梅西大学(Massey University)联合主办，旨在为机电一体化和机器视觉提供一个跨学科的国际论坛，会议主题涵盖了应用机器人、智能传感器、人工智能、机器视觉和医疗康复机电系统等科技前沿方向。目前，会议已成功举办29届，每届投稿论文达数百篇，在人工智能、机械电子、机器视觉和机器人等领域具有较高的影响力，会议论文被IEEE Xplore、EI Compendex等检索机构收录。
本届会议设立最佳会议论文奖（Best Conference Paper Award），会议组委会根据文章水平和会议报告质量评选最佳会议论文并授予证书。
我院张志胜教授课题组的论文“Constrained time-dependent loss LSTM for bearing remaining useful life prediction”荣获最佳会议论文奖，本论文第一作者为博士生孙涵，指导老师为张志胜、夏志杰等。
论文“Constrained time-dependent loss LSTM for bearing remaining useful life prediction”简介
剩余使用寿命(RUL)预测是一种重要的设备健康管理和维护方法。在以往的文献中，各种神经网络(NN)结构的数据驱动RUL预测方法被广泛采用。在基于神经网络的方法中，判别性较差的特征组合预测不一致是一个重要的问题，它会导致收敛性不足和预测不合理。在这项工作中，我们研究了长短期记忆(LSTM)网络架构的优化，通过根据退化限制LSTM的时间相关损失(CTDM-LSTM)来提高RUL预测的准确性。首先，我们关注从零到实际RUL的合理预测的合理范围。对于超出此范围的误差进行加权，以控制损失梯度。此外，我们通过减少退化早期阶段的损失来考虑预测不确定性随时间的变化。实验结果表明，所提出的损失函数优化方法可以有效地预测滚动轴承的RUL，并具有较高的预测精度。
