数据驱动智能故障诊断技术应用与实践

一、智能故障诊断的现状与挑战

方法背景：机械设备健康监测经历了从经验驱动到数据驱动、再到物理-数据融合的演进。

学术渊源：“A comprehensive review on machinery fault diagnosis,” MSSP, 2022 总结了当前研究现状与未来挑战。

方法要点：主要挑战包括小样本问题、跨工况适应、模型可解释性不足

课程案例：

一、基于综述问题的智能故障诊断研究路径分析 —— 帮助学生理解从传统方法到深度模型的演进逻辑。

图 1.1 智能故障诊断发展阶段示意图

 二、振动信号分析方法论

方法背景：振动信号是旋转机械故障诊断的主要信息源，分析方法包括时域、频域和时频域

学术渊源：Randall, “Vibration-based Condition Monitoring,” Wiley, 2011 系统总结了传统振动分析方法

方法要点：时域（RMS、峭度）、频域（频谱峰值）、时频域（小波变换、包络分析）

课程案例：

一、基于包络谱分析的滚动轴承外圈故障识别 —— 通过包络解调提取故障频率特征，验证时频域分析的有效性。  

二、 基于小波包能量熵的多工况轴承特征提取方法 —— 比较不同小波基在信号分解中的效果。

 图 2.1 包络谱分析流程                     图 2.2 小波包能量分布与特征差异图

三、基于特征学习的智能故障诊断方法

方法背景：传统机器学习通过人工特征与分类模型结合，实现早期智能故障识别。

学术渊源：Rolling bearing fault diagnosis based on RQA with STD and WOA-SVM

方法要点：SVM、随机森林、梯度提升树等模型在小样本与特征维度受限场景下表现良好。

课程案例：

一、基于 SVM 的滚动轴承外圈故障识别实验 —— 通过提取 RMS、峭度特征实现二分类诊断

二、基于集成学习的多工况轴承故障识别性能对比研究 —— 基于预测性维护的FD 模型的特征重要性

  图 3.1 SVM 特征空间分类边界示意图             图 3.2 不同模型特征重要性可视化结果

四、深度学习及其应用

方法背景：深度学习通过端到端的特征学习显著提升故障识别鲁棒性

学术渊源：Fault diagnosis of air conditioning compressor bearings using wavelet packet decomposition and improved 1D-CNN,

方法要点：one-dimensional convolutional neural network (1D-CNN)、wavelet packet decomposition (WPD) 、variational mode decomposition (VMD)。

课程案例：

一、基于 1D-CNN 的轴承振动信号自动特征提取与故障分类 —— 展示卷积层对原始信号特征的自学习能力

二、基于 LSTM 的滚动轴承寿命预测与退化趋势建模 —— 利用时间序列特征预测设备剩余寿命（RUL）

三、基于支持向量机 （SVM）、k 最近邻 （KNN）、随机森林 （RF）、XGBoost 和人工神经网络的电力变压器故障检测通用模型

n

图 4.1 1D-CNN 结构与特征图可视化示意图   图 4.2 用于轴承故障诊断的改进一维 CNN 模型的架构

图 4.3使用改进的 1D-CNN 和原始 1D-CNN 模型比较 4 种特征提取方法（WPD、EMD、VMD 和 FMD）的故障识别性能的混淆矩阵

五、迁移学习及应用

方法背景：迁移学习解决源域与目标域分布不一致问题，提升模型跨工况泛化能力。

学术渊源：Zero/few-shot fault diagnosis of rotary mechanism in rotational inertial navigation system based on digital twin and transfer learning

方法要点：领域自适应、特征迁移、小样本学习等关键方向

课程案例：

一、基于 DANN 的不同负载工况轴承信号跨域迁移诊断 —— 通过迁移学习实现轴承故障诊断。

二、基于 Uni-Faultg 的小样本齿轮箱故障快速识别方法 —— 利用原型网络在极少样本下完成分类任务

三、基于 PCA-小波特征融合的跨工况特征迁移诊断模型 —— 融合统计与频域特征提升迁移鲁棒性

?? 图 5.1基于DANN模型的故障仿真流程图    图 5.2 零样本故障诊断方法的流程图

 图 5.3 基于加速度计信号的故障诊断迁移学习任务结果

六、物理信息神经网络（PINN）

方法背景：PINN 结合物理约束与神经网络学习，提高模型在数据稀缺场景下的可信性

学术渊源：A data-physic driven method for gear fault diagnosis using PINN and pseudo-dynamic features

方法要点：在损失函数中嵌入物理方程约束，保证预测结果满足系统动力学规律

课程案例：

一、基于 PINN 的齿轮动态系统动力学参数反演实验 —— 通过物理残差约束实现参数估计

二、基于PYTORCH 版基于注意力机制的小样本故障诊断的 1D-Grad-CAM 融合诊断模型 —— 结合少量实测数据与物理规律提高预测精度

图6.1、单正齿轮副的 4 自由度动力学模型       图 6.2 、基于小样本的故障诊断框架

七、论文精讲与研究展望

通过精讲高被引论文《Deep transfer learning strategy in intelligent fault diagnosis of rotating machinery》，帮助学员掌握科研逻辑与论文结构，重点拆解该论文的研究问题、创新点与实验设计，并基于此开展论文核心思想（深度迁移诊断模型）的复现实践，让学员在理论学习与动手验证中深化对旋转机械智能故障诊断技术的理解；并进一步围绕 “跨域、可解释与物理融合诊断前沿” 展开未来趋势讨论，既总结当前旋转机械故障诊断领域的核心研究方向，为学员后续的论文选题提供贴合领域发展的启发，形成 “理论学习 - 实践验证 - 方向探索” 的完整教学链条