宋艳
副教授
所属院部： 海洋研究院
访问次数：次
基本信息
  • 电子邮箱：
  • 入职时间：
    2018-07
  • 所在单位：
    海洋研究院
  • 学历：
    研究生(博士)毕业
  • 性别：
    女
  • 学位：
    博士生
  • 毕业院校：
    中国海洋大学
  • 硕士生导师
教师简介

宋艳，山东大学副教授，入选山东大学青年学者未来计划。长期从事人工智能、智能故障诊断、联邦学习与跨域迁移研究。主持国自然青年、山东省自然科学基金面上项目，参与多项国自然和国家重点研发计划项目。近五年，在IEEE TII、MSSP、IEEE IoT、IEEE TIM、EAAI、ESWA等中科院一区/二区TOP期刊发表论文10余篇，其中ESI高被引论文1篇；授权国家发明专利10余项。获评IEEE TIM Outstanding Reviewer，担任IEEE Journal of Oceanic Engineering副主编，并担任IEEE TII、IEEE TIM、MSSP、Ocean Engineering等国际期刊审稿人。 

教育经历
  • 2008-08  — 2012-06
    中国海洋大学
    电子信息科学与技术
    理学学士
  • 2012-08  — 2015-06
    中国海洋大学
    信息与通信系统
    工学硕士学位
  • 2015-09  — 2018-06
    中国海洋大学
    智能信息与通信系统
    工学博士学位
工作经历
  • 2018-07 — 2022-09
    山东大学
  • 2023-06 — 2024-05
    英国拉夫堡大学
  • 2022-09-至今
    山东大学
研究领域

宋艳，女，现任山东大学海洋研究院副教授，主要从事机器学习、深度学习在海洋声呐数据处理以及机械设备故障诊断与剩余寿命预测等方面的应用研究。以第一作者或通讯作者在中科院一区/二区期刊发表SCI论文10余篇，现任IEEE Journal of Oceanic Engineering期刊副主编。


科研成果
研究方向

1. 声呐图像分割

2. 智能故障诊断

论文

1.  宋艳. Federated Domain Generalization Based on Gaussian Mapping and Constrained Quadratic Programming for Rotating Machinery Fault Diagnosis.  《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》,  75,  2026. 

2.  从霄. Multi-scale Gaussian feature enhancement and prototype graph convolutional network for domain-generalized rolling bearing fault diagnosis.  Expert Systems with Applications,  296,  2026. 

3.  . A global information-guided denoising diffusion probabilistic model for fault diagnosis with imbalanced data.  Engineering Applications of Artificial Intelligence,  147,  2025. 

4.  宋艳. Fault Diagnosis in Rolling Bearings Using Multi-Gaussian Attention and Covariance Loss for Single Domain Generalization.  《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》,  2025. 

5.  宋艳. Domain Generalization Combining Covariance Loss With Graph Convolutional Networks for Intelligent Fault Diagnosis of Rolling Bearings.  IEEE Transactions on Industrial Informatics,  2024. 

6.  从霄. Federated domain generalization with global robust model aggregation strategy for bearing fault diagnosis.  MEASUREMENT SCIENCE AND TECHNOLOGY,  34,  2023. 

7.  王代超. Attention-Based Bilinear Feature Fusion Method for Bearing Fault Diagnosis.  《IEEE-ASME TRANSACTIONS ON MECHATRONICS》,  28,  1695-1705, 2022. 

8.  王代超. Bearing Fault Diagnosis Method Based on Complementary Feature Extraction and Fusion of Multisensor Data.  《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》,  71,  2022. 

9.  Song, Y., Gao, S., Li, Y.*, Jia, L.*, Li, Q., & Pang, F.. Distributed Attention-Based Temporal Convolutional Network for Remaining Useful Life Prediction.  IEEE Internet of Things Journal,  8,  9594-9602, 2021. 

10.  Li, Y., Song, Y.*, Jia, L*., Gao, S., Li, Q., & Qiu, M.. Intelligent Fault Diagnosis by Fusing Domain Adversarial Training and Maximum Mean Discrepancy via Ensemble Learning.  IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS,  17,  2833, 2021. 

11.  Song, Y., He, B.*, & Liu, P.. Real-Time Object Detection for AUVs Using Self-Cascaded Convolutional Neural Networks.  IEEE JOURNAL OF OCEANIC ENGINEERING,  46,  56, 2021. 

12.  Song, Y., He, B.*, Zhao, Y., Li, G., Sha, Q., Shen, Y., Yan, T., Nian, R., & Lendasse, A.. Segmentation of Sidescan Sonar Imagery Using Markov Random Fields and Extreme Learning Machine.  IEEE Journal of Oceanic Engineering,  2020. 

13.  Song, Y., Li, Y.*, Jia, L., & Qiu, M.. Retraining Strategy-Based Domain Adaption Network for Intelligent Fault Diagnosis.  IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS,  16,  6163, 2020. 

14.  Guo, Q., Li, Y.*, Song, Y., Wang, D., & Chen, W.. Intelligent Fault Diagnosis Method Based on Full 1-D Convolutional Generative Adversarial Network.  IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS,  16,  2044, 2020. 

15.  Song, Y.*, & Liu, P.. Segmentation of sonar images with intensity inhomogeneity based on improved MRF.  Applied Acoustics,  158,  2020. 

16.  Song, Y., He, B.*, Liu, P., & Yan, T.. Side Scan Sonar Image Segmentation and Synthesis Based on Extreme Learning Machine.  Applied Acoustics,  2019. 

17.  Song, Y., Zhang, S., He, B.*, Sha, Q., Shen, Y., Yan, T., Nian, R., & Lendasse, A.. Gaussian derivative models and ensemble extreme learning machine for texture image classification.  Neurocomputing,  277,  53-64, 2018. 

专利

1. 联邦域泛化故障诊断方法及系统

2. 基于多高斯注意力的单源域泛化轴承故障诊断方法及系统

3. 一种基于互补决策的开集域适应故障诊断方法及系统

4. 一种基于领域泛化的故障诊断方法及系统

5. 基于联邦学习和双重监督对比学习的故障诊断方法及系统

6. 基于全局鲁棒加权的联邦域泛化故障诊断方法及系统

7. 一种用于机械设备故障诊断的信号特征提取方法及系统

8. 基于数据融合的锂电池剩余使用寿命预测方法及装置

9. 一种故障诊断方法、系统、设备及存储介质

10. 基于模型差异的故障诊断方法、系统、存储介质及设备

11. 基于联邦域泛化的机械故障诊断方法及系统

12. 一种锂电池剩余使用寿命预测方法及系统

13. 一种滚动轴承剩余使用寿命预测方法及系统

14. 基于改进型生成对抗网络的设备故障诊断方法及系统

15. 基于多源数据合成的侧扫声呐图像数据增强方法及系统

16. 一种基于集成域自适应的故障诊断方法及系统

17. 基于DA-TCN的设备剩余使用寿命的估计方法及系统

18. 一种面向机电设备的智能故障诊断方法及系统

19. 基于自适应像素值约束和MRF的声呐图像分割方法

版权所有   ©山东大学　地址：中国山东省济南市山大南路27号　邮编：250100　
查号台：（86）-0531-88395114
值班电话：（86）-0531-88364731　建设维护：山东大学信息化工作办公室