海洋测控研究团队主要研究微流控芯片、海洋船舶故障诊断、海洋可再生能源系统、海洋信息网络系统、天空地海一体化监测与预警、海水淡化等信息技术，并研制相关装备。 团队建有微流控生物芯片与系统实验室、光纤检测实验室、电子材料制备实验室、信息物理系统实验室、智能控制实验室、智能探测实验室和智能计算实验室，现有教授5人，副研究员1人，助理研究员5人。在IEEE Trans. Cloud Computing、IEEE Trans. Smart Grid、Applied Energy等国际著名期刊发表SCI论文90余篇，获省部级科技进步二等奖及以上8项，申请发明专利60余项。现承担国家重大专项等课题近10项，科研经费2500余万元。

海洋测控团队在智能故障诊断领域取得重要进展
在我国海洋活动走向深蓝的过程中,如何对钻井平台、大型船舶、军用舰艇等大型复杂装备进行有效的故障诊断及全寿命周期的健康管理是亟待解决的问题。海洋测控团队对基于深度学习的智能故障诊断技术展开研究，并取得系列成果。相关研究成果以山东大学海洋研究院（Institute of Marine Science and Technology, Shandong University-Qingdao Campus）为第一作者和通讯作者唯一归属单位，连续发表在顶级期刊IEEE Transactions on Industrial Informatics（IF 7.377，中科院一区）。
成果一、基于重训练策略的域自适应网络在智能故障诊断中的应用
由于机械故障经常在不同工作条件下发生，故障特征差异较大，因此智能故障诊断方法必须具有域自适应能力，即故障诊断模型对不同工况条件下（不同域）的故障都能具有较好的识别能力。

图1. (a) DAN的结构和训练过程；(b) 基于DAN训练模型预测测试数据的分类结果；
(c) DAN-R的结构和训练过程；(d) 基于DAN-R训练模型预测测试数据的分类结果。
研究提出了一种基于重训练策略的域自适应网络（Retraining Strategy based Domain Adaption Network，DAN-R）用于故障诊断。整个结构包括特征提取网络、特征域自适应网络和分类网络，后两种网络的损失函数之和用于辅助特征提取网络的训练。方法首先最小化训练数据和测试故障数据的特征差异，同时最大化训练数据的分类精度；然后利用训练好的模型给出测试数据的伪标记；最后，利用加权伪标记测试数据和原始训练数据对整个网络进行重训练。实验证明，DAN-R算法在保证训练精度最大的前提下，可以将训练数据与测试数据的特征差异降到最小，具有良好的故障诊断能力和较强的领域适应能力。
论文链接：https://ieeexplore.ieee.org/document/**
成果二、基于一维卷积生成对抗网络的智能故障诊断方法
基于数据驱动的故障诊断方法因其不需要构建复杂的数学模型而被广泛应用于机械设备。旋转机械中最常见的部件是滚动轴承，如果滚动轴承发生故障，可能会造成巨大的经济损失，并对操作人员造成很大的安全隐患。因此，有效的故障诊断方法对工业设备的可靠性和安全性起着至关重要的作用。然而，由于缺乏真实有效的有标签故障数据，使得基于数据驱动的故障诊断方法难以实施。为了解决故障数据样本量少这一问题，提出一种故障数据生成模型，基于已有真实故障数据生成新的故障数据来训练诊断模型，从而提高故障诊断准确率。

图2. ML1D-GAN框架图
研究提出一种基于辅助分类生成对抗网络(Auxiliary Classifier Generation Adversarial Network, AC-GAN)和一维卷积神经网络(1D Convolutional Neural Network, 1D CNN)生成模型的故障诊断框架——多标签一维卷积生成对抗网络(Multi-Label 1D Generation Adversarial Network，ML1D-GAN)。方法中，首先采用AC-GAN基于真实的故障数据生成新的故障数据；然后利用生成的故障数据和真实故障数据训练故障分类器。实验结果表明，ML1D-GAN生成的数据是有效的，且具有较强的泛化能力，使不同环境下轴承故障的诊断准确率有明显提高。此外，实验证明了该模型的可扩展性，其生成的数据能有效应对不同特性的设备或工作条件下的机械设备故障诊断，很好地解决了数据样本不足和故障诊断环境差异的问题。
论文链接：https://ieeexplore.ieee.org/document/**
海洋测控团队由贾磊教授任团队负责人，团队成员由来自控制、机械、电子等多个学科背景的专家****共同组成。团队研究工作积极对接国家战略，针对国家重大需求中的关键科研问题展开研究，工作得到国家重大研究发展计划、国家自然科学基金、山东大学********等项目的支持。目前，海洋测控团队经过搬迁和实验室条件的初步建设，已步入快速发展阶段。