孙哲

长期从事能源热力系统的智能化诊断、评估及调控理论与方法研究，聚焦工程热物理和人工智能的交叉领域，致力于将能源热力系统运行维护与人工智能、机器学习、云监控等新兴技术融合，研究领域涉及：机器学习、人工智能、数值分析、控制理论、热动力学、制冷原理等。先后在《Energy》、《Energy and Buildings》、《Applied Thermal Engineering》等国内外权威期刊上发表论文15余篇，授权/申请发明专利10余项，并担任《IEEE Transactions on Industrial Informatics》、《International Journal of Refrigeration》等多个国际期刊审稿人。主持国家自然科学青年基金、浙江省自然科学探索基金、浙江省自然科学青年基金等多项纵横向课题。获省部级科技奖励一等奖2项。

主要研究方向包括：

（1）复杂能源系统的AI辅助建模方法：针对能源热力系统的结构多变、工况多变、负载多变等复杂性问题，将包括数据-知识融合驱动、工业知识图谱、虚拟传感技术、AI感知等在内的AI技术融入传统建模体系，旨在形成建模速度更快、模型适应性更强的新型建模方法。

（2）能源热力系统的可信性能评估方法：新一代能源系统以热力循环为核心组成，是供冷供热和能量传输的基础载体，热力系统性能衰退会严重影响能量传递的质量和效率，是阻碍能源系统提质增效的关键环节。针对上述问题，致力于研究基于人工智能的复杂热力系统性能精准评估方法，且该评估结果需要满足可解释性需求。

招收研究生方向为：机械工程（080200）和机械（085500）。

承担本科必修课程《工程图学》、《电工技术基础》

科研项目：

[1] 国家自然科学基金委, 国家自然科学青年基金, 62306281, 不确定性条件下多能互补能源热力系统的可解释性故障建模与推理方法, 2024-01至2026-12, 30万元, 在研, 主持

[2] 浙江省自然科学基金委, 浙江省自然科学探索基金, LMS26E050031, 复杂热流动力学问题的物理驱动神经算子学习方法研究, 2026-01至2027-12, 10万元, 在研, 主持

[3] 浙江省自然科学基金委, 浙江省自然科学青年基金, LQ23E060006, 基于图嵌入机器学习的多变工况复杂热力系统的易燃制冷剂隐性泄漏定位推理方法研究, 2023-01至2024-12, 10万元, 结题, 主持

[4] 嘉兴市科技局，嘉兴市重点研发子课题, 2024BZ20016, 新能源汽车热管理制冷系统故障智能诊断关键技术与装备研究, 2024-06 至 2026-06, 50万元, 在研, 主持

[5] 浙江省博士后基金委, 浙江省博士后择优资助计划, ZJ2021155, 基于深度迁移学习的热泵系统故障诊断模型迁移方法, 2021-09 至 2022-12, 5万元, 结题, 主持

[6] 企业委托, 横向课题, 物流仓储环控热力系统健康监测与智能运维, 2024-01 至 2026-12, 6万, 在研, 主持

[7] 浙江省科技厅, 浙江省重点研发计划, 2026C02A1207, 新能源汽车新一代涡旋压缩机可靠性设计与试验评估方法关键技术研究, 2026-01 至 2028-12, 350万元, 在研, 参与

[8] 浙江省科技厅, 浙江省重点研发计划, 2020C04010, 变频压缩机全工况性能评价关键技术与智能装备,2020-01 至 2022-12, 530万元, 结题, 参与

[9] 浙江省自然科学基金委, 浙江省自然科学基金, LTGG24E050005, 多维时频-空间特征融合的制冷器具封闭压缩机隐性故障诊断关键技术研究, 2025-01至2027-12, 10万元, 在研, 参与

科技奖励：

[1]孙哲(7/13); 新一代绿媒HC制冷压缩机关键技术及产业化, 浙江省人民政府, 科技进步, 省部一等奖, 2023.

[2]孙哲(9/16); 高性能合金构件的绿色压缩机制造关键技术及产业化, 有色金属工业联合会, 科技进步, 省部一等奖, 2023.

代表论文：

[1]Sun Z, Yao Q, Shi L, et al. Virtual sample diffusion generation method guided by large language model-generated knowledge for enhancing information completeness and zero-shot fault diagnosis in building thermal systems[J]. Journal of Zhejiang University-SCIENCE A, 2025, 26(10): 895-916. （IF=6.4，JCR Q1）

[2]Yao Q, Sun Z*, Jin H, et al. A physical informed deep learning model for learning the spatiotemporal dynamics of bubbles in microchannel phase change heat transfer [J]. Applied Thermal Engineering, 2025, 278: 127193.（IF=6.5，中科院TOP，通讯作者）

[3] Sun Z, Yao Q, Jin H, et al. A novel in-situ sensor calibration method for building thermal systems based on virtual samples and autoencoder[J]. Energy, 2024, 297: 131314.（IF=9.0，中科院一区TOP）

[4] Sun Z, Yao Q. Self-correction method for sensor faulty heat pump system based on machine learning[J]. Results in Engineering, 2024, 22: 102170.（IF=5.0）

[5]Xu Y, Ling Y, Sun Z*, et al. Performance evaluation and comparative study on a novel solar-heat-driven ejection-compression hybrid cooling system with subcooling storage[J]. Proceedings of the Institution of Mechanical Engineers, Part A: Journal of Power and Energy, 2024: 09576509241272788.（IF=1.6，唯一通讯）

[6] Sun Z, Jin H, Xu Y, et al. Severity-insensitive fault diagnosis method for heat pump systems based on improved benchmark model and data scaling strategy[J]. Energy and Buildings, 2021: 111733.（IF=7.2，中科院TOP）

[7] Sun Z, Jin H, Gu J, et al. Studies on the online intelligent diagnosis method of undercharging sub-health air source heat pump water heater. Applied Thermal Engineering, 2020, 169: 114957.（IF=6.5，中科院TOP）

[8] Sun Z, Jin H, Gu J, et al. Gradual fault early stage diagnosis for air source heat pump system using deep learning techniques. International Journal of Refrigeration, 2019, 107: 63-72.（IF=4.1，JCR Q1）

[9] Sun Z, Gu J, Jin H, et al. An investigation on speed measurement method of hermetic compressor based on current fluctuation. International Journal of Refrigeration, 2018, 88: 211-220.（IF=4.1，JCR Q1）

[10] Jin H, Sun Z, Gu J, et al. A detrending-extracting-zooming-based speed measurement method for hermetic reciprocating compressor[J]. Measurement, 2020, 157: 107654.（IF=5.1，JCR Q1）

[11] 孙哲，金华强，李康, et al. 基于知识数据化表达的制冷空调系统故障诊断方法[J].化工学报, 2022, 73(7): 3131-3144.（卓越期刊）

[12] 孙哲，金华强，顾江萍, et al. 基于生成对抗网络的热泵系统故障诊断数据集扩充方法研究[J].高技术通讯, 2021, 31 (12): 1280-1292.

[13] 孙哲，金华强，李康, et al. 基于数据-机理联合驱动的制冷空调系统故障特征提取方法[J].高技术通讯, 2023, 33(07): 772-780.

[14]沈希，孙哲，徐鸣, et al. 基于Hilbert变换的全封闭压缩机转速测量[J]. 中国机械工程, 2016, (21): 2884-2889.

发明专利：

[1]孙哲，杨鹏，沈希，金华强，姚琪威，肖涵，融合慢信号时频表征的能源热力系统图嵌入故障推理方法，2025-06-18，中国，ZL202510607709.6.

[2] 孙哲，徐英杰，毛剑峰，姚琪威，石凌，一种物理嵌入图卷积网络的热流体管网瞬态流量评估方法，2024-05-15，中国，CN2024106022652.

[3] 孙哲，徐英杰，毛剑峰，姚琪威，基于物理嵌入网络的换热器相变换热性能实时反演方法，2024-03-13，中国，CN202410285237.2.

[4] 孙哲，姚琪威，沈希，金华强，顾江萍，黄跃进，李康，石凌，用于建筑暖通空调系统的传感 器故障在线智能自校正方法，2023-04-26，中国，CN202310458300.3.

[5] 孙哲，沈希，赵清雯，金华强，顾江萍，黄跃进，一种基于人工数据驱动的热泵系统智能故障诊断方法，2022-08-10，中国，CN202210953909.3.

[6] 孙哲，沈希，金华强，顾江萍，黄跃进，李康，基于残差数据缩放策略的热泵系统自适应故障诊断方法，2021-12-21，中国，ZL202111114878.4.

[7] 孙哲，沈希，赵清雯，金华强，顾江萍，黄跃进，一种基于数据混剪技术的热泵故障诊断模型 迁移方法，2021-01-13，中国，ZL202110042981.6.

[8] 孙哲，沈希，金华强，顾江萍，黄跃进，胡健峰，李康，解决热泵系统故障诊断中数据依赖问题的模型迁移方法，2020-09-21，中国，ZL202010995640.6.

[9] 孙哲，沈希，金华强，顾江萍，黄跃进，胡健峰，李康，基于知识共享和模型迁移的全封闭压缩机故障诊断方法，2020-09-21，中国，ZL202010996926.6.