个人简介
李小川，博士，副教授，硕士生导师，博士生导师。合肥工业大学“黄山学者学术骨干”，英国高等教育协会Associate Fellow。
长期面向复杂工业系统的自主感知、智能认知与安全运行需求，以及公共安全场景下的视频图像智能分析需求，开展工业人工智能、智能故障诊断与预测、具身智能和机器视觉等方面的研究。在工业装备领域，以自动化系统中的“感知—诊断—预测—决策—执行”闭环为主线，致力于提升智能装备在复杂环境下的自主感知、状态认知、风险预测和安全运行能力，研究对象涵盖泵阀、航空航天关键部件、机器人及伺服系统等；进一步面向工业具身智能，探索智能机器人和自主运维装备对外部环境及自身健康状态的协同感知与因果推理方法。
先后主持或承担国家自然科学基金、安徽省自然科学基金、国家重点实验室开放基金及政府部门、企业合作项目等。近年在Mechanical Systems and Signal Processing、Engineering Applications of Artificial Intelligence、IEEE Transactions on Reliability等国内外高水平期刊和会议发表论文50余篇，获授权国家发明专利十余项，研究成果曾多次获得国际会议最佳论文奖。
科学研究
A.研究方向
1. 工业人工智能
面向复杂工业系统，研究工业多模态数据、物理机理与领域知识融合的人工智能建模方法，重点关注工业大语言模型、因果学习、持续学习、可信人工智能、以及多智能体协同推理。
2. 人工智能故障诊断理论
人工智能（AI）故障诊断框架的研究领域主要集中在利用人工智能算法和数据驱动方法，提升故障诊断系统的准确性、效率和可解释性。传统的故障诊断方法依赖于专家经验或基于规则的推理，然而随着设备和系统的日益复杂，传统方法往往难以适应复杂多变的故障模式和大规模的数据环境。人工智能，特别是大语言模型和其他深度学习技术，为故障诊断提供了新的解决方案。主要包括：
因果推理： 因果推理（Causal Inference）是人工智能（AI）领域的一个重要的研究分支，是推动人工智能由“发现数据相关性”向“理解事物作用机制”转变的重要研究方向。传统机器学习主要依赖数据中的统计关联进行预 测和识别，难以准确揭示变量之间的因果关系，因而在环境变化或主动干预条件下容易出现性能下降。因果推理通过构建因果结构、估计干预效应和开展反事实分析，使模型能够推断不同条件或干预措施可能产生的结果，从而提高人工智能系统的透明性、可解释性、鲁棒性与决策可靠性。
持续学习： 持续学习（Continual Learning）在人工智能（AI）领域中逐渐成为一个重要的研究方向，尤其适用于数据分布、任务类别和运行环境不断变化的动态场景。传统机器学习通常假设训练数据独立同分布且任务保持不变，当模型连续学习新知识时，容易遗忘已经掌握的旧知识，即产生“灾难性遗忘”问题。持续学习使AI系统能够在保留和复用已有知识的基础上，不断从新数据、新任务和新环境中增量学习，实现知识积累、迁移与更新。通过研究记忆回放、知识约束、动态网络结构和参数隔离等方法，协调模型的知识保持能力与新任务适应能力，提升算法在长期运行过程中的稳定性、适应性和可靠性，探索如何在开放、动态且高度不确定的环境中实现具有终身学习能力的智能系统。
3. 机器视觉
利用人工智能技术对图像和视频进行感知与理解，研究目标检测、身份识别、行为分析和跨场景追踪等方法，提升复杂环境下视觉分析的准确性、实时性与可靠性。
4. 具身智能与自主运维
面向工业机器人和自主运维装备，研究具身多模态感知、具身智能因果推理及多智能体协同方向。
B.应用研究
航空与舰船领域：课题组面向航空与舰船关键设备，结合传感器数据采集、实时监控以及大数据分析，开发了多种基于AI的故障诊断模型，以应对不同类型设备在运行中的多样化故障模式。此外，课题组还重点研究了智能算法与物联网技术的结合，推动了“智能+”维护模式的应用，能够通过远程监测和云计算平台，实时获取设备健康状况并进行数据分析，为舰船关键设国防装备提前预警潜在故障。课题组的研究成果在智能制造、航空、舰船等多个行业中得到了广泛应用，帮助企业实现了智能化、自动化的维护管理，提升了整体生产效能。
机器视觉：课题组面向公共安全场景开展视频与图像人工智能技术研究，融合目标检测、人脸识别、行人重识别和轨迹分析等方法，实现人员身份核验、跨场景路径追踪及涉案目标的辅助排查与锁定，为案件研判和应急处置提供智能支持。课题组与地市公安系统合作开发了智能行人识别系统，可对海量监控视频进行自动分析与目标检索，有效提升公共安全领域的视频研判效率和智能化水平。
具身智能：具身智能强调通过感知、运动和互动的方式，构建与环境的深度连接，而eVTOL作为新型的航空交通工具，其设计和运行的复杂性要求高度的智能化故障诊断技术，以确保飞行器的安全性和可靠性。在这一领域的研究中，课题组主要聚焦于利用具身智能技术实现eVTOL飞行器的实时故障监控和自适应诊断。通过集成传感器、视觉感知、运动反馈等多模态数据，结合人工智能算法，研究如何实时识别和预测飞行器在飞行过程中可能出现的故障。例如，针对电动推进系统、能源管理系统、飞行控制系统等关键部件，课题组通过深度学习模型对数据进行全面分析，识别异常模式，并在出现潜在故障时提供精准的诊断和预警。
C.学术兼职
现为Journal of Dynamics, Monitoring and Diagnostics青年编委，中国振动工程学会会员，并担任多个国家及省市科技项目评审专家和20余种国内外期刊审稿人。
D.近三年发表的期刊和会议论文
1. Pressure Pulsation Modelling of an External Gear Pump under Coupled Side-Clearance Leakage and Gear Tooth-Breakage Modulation. Journal of Dynamics, Monitoring and Diagnostics, 2026. DOI
2. A front-door adjustment based cross-component few-shot learning fault diagnosis approach considering unobservable confounders. Engineering Applications of Artificial Intelligence 165, 113533
3. Pressure-Only Diagnosis of External Gear Pumps via Ground-Test Modality Augmentation and Physics-Guided Feature Enhancement. Expert Systems with Applications, 2026, 131847. DOI
4. PGMTKD: A Physics-Guided Multi-Teacher Knowledge Distillation Network for External Gear Pump Onboard Fault Diagnosis with Missing Modality. Mechanical Systems and Signal Processing, 2025, 113296. DOI
5. Designing of a Nonlinearly Fused Health Indicator for Incipient Fault Detection and Degradation Modelling Using Quadratic Programming. Applied Acoustics, 2025, 110461. DOI
6. Nonlinear Weight Learning Model for Incipient Fault Detection and Degradation Modelling and Its Interpretability for Fault Diagnosis. Mechanical Systems and Signal Processing, 2024, 111256. DOI
7. Spherical-Dynamic Time Warping—A New Method for Similarity-Based Remaining Useful Life Prediction. Expert Systems with Applications, 2024, 121913. DOI
8. A Large Time Series Model with Dynamic Boundary Quantization and STL for Water Supply Flow Forecasting. ICSMD 2025. DOI
9. Multimodal MOE for Fault Diagnosis of External Gear Pumps. ICSMD 2025. DOI
10. A Game-Theoretic Cross-Modal Competition Framework With Permutation-Based Latent Regularization. ICSMD 2025. DOI
11.Incipient Fault Detection with Jointly Optimized Health Indicators and Fault Thresholds via Convex-Optimization. ICSMD 2024. DOI
教学与人才培养
坚持科研与教学相互促进，先后承担过程控制与仪表、机器人前沿技术专题、智能运维等课程教学，参与编写《IOT Industrial 4.0》书籍。
课题组每一届都有研究生获得国家奖学金和安徽省优秀毕业生称号，每一年都有学生获一等奖学金。在研究生培养中，重视学生系统思维、自主学习、科研实践和沟通表达能力的综合训练，鼓励学生面向真实工业问题开展具有理论创新与工程价值的研究。毕业生主要就职于科研院所，大型国有企业（如中兴通讯），及头部人工智能、芯片科技企业（如炬芯科技）。
团队与招生
团队以工业人工智能为核心，进一步面向工业具身智能、机器视觉和自主运维开展研究，注重“人工智能方法创新—自动化系统验证—工业装备应用”的有机结合。
课题组氛围良好，经费充足，为每一位同学配台式计算机，欢迎自动化、控制科学与工程、电气工程、机械工程、计算机科学、人工智能、数学等相关专业的同学加入。希望申请者对科研具有兴趣，具备一定的数学、编程或信号处理基础，并愿意围绕真实工业问题开展长期、深入的研究。
我的ORCID主页：https://orcid.org/0000-0002-5494-1266