近日，机械学院青年教师陈昊博士与澳门大学智慧城市物联网国家重点实验室杨志新教授合作对旋转机械故障诊断领域的多源数据融合互补研究进展进行综述。相关成果以“Review of intelligent fault diagnosis for rotating machinery under imperfect data conditions”为题发表在计算机科学领域中科院一区Top期刊Expert Systems with Applications（ISSN：0957-4174）上。该论文的第一单位为武汉纺织大学，陈昊博士为第一作者；通讯作者为澳门大学杨志新教授。
旋转机械结构在工业机械中普遍存在，为不同的工业部门提供服务，包括化学加工、发电、燃料提取、核能生产、深海勘探和航空航天。旋转机械的故障诊断对于确保工程系统的最佳可靠性和性能至关重要。近年来，由于数据驱动模型的适应性和可扩展性优势，数据驱动模型的研究成为热门。
当前该领域研究面临最严峻的挑战是真实工业环境下不完美数据造成智能模型的训练衰退和可靠性不足的问题。最近的研究基于深度学习的故障诊断方法利用来自多个传感器和设备的数据改善故障诊断性能。然而，对多传感器和多器件融合方法的研究缺乏对现有研究优缺点的全面总结，现有的多传感器融合方法分类法并不能完全捕捉到基于深度学习的方法的结构细微差别。
为此，本研究对现有方法进行了深入研究，建立了一种新的多传感器融合方法的归纳体系，通过构建配备多个平台和传感器的物理实验平台来模拟真实的工业数据环境，采集整理了涵盖多模态、多设备、多工况、多故障的旋转机械故障数据集。与目前该领域公开数据集（美国西储大学、德国帕德伯恩大学，西安交通大学、东南大学、PHM IEEE挑战赛数据等）相比，该数据集数据规模大、故障类型全面、监测信息多元，更具故障诊断研究价值。此外，本综述整理了包括图神经网络、注意力机制、联邦学习、迁移学习在内的最新研究成果和技术趋势，全面分析了使用深度学习在旋转机械中进行特征提取和故障诊断的方法。本研究对 120 篇相关论文进行总结，突出了传统技术的特点，解释了基于深度学习的多种变体模型的差异、优势和局限性，并综合了最近的进展以启发未来的研究。
【论文连接】：https://doi.org/10.1016/j.eswa.2025.127726
点击量排行
发稿排行
