面向不完备多源数据的故障诊断 | 基于物理知识驱动的特征融合与重构网络模型

接综述 | 旋转机械智能故障诊断中的多传感器数据融合综述（上），本期继续给大家推荐旋转机械智能故障诊断中的多传感器数据融合综述（下）。旋转机械的故障可能引发重大的经济损失和安全风险。因此，利用多传感器状态监测数据对其进行分析引起了广泛关注。然而，目前仍缺乏针对多传感器数据融合方法应用的全面综述文章。为填补这一空白，本文系统梳理并深入分析了应用多传感器数据融合技术诊断旋转机械故障的相关文献。首先，文章阐述了多传感器数据融合的基本概念，为后续讨论奠定理论基础。随后，重点分析了该融合技术在旋转机械智能故障诊断中的具体应用。此外，本文还明确指出当前该技术在实际应用中面临的关键挑战。通过剖析这些挑战，文章进一步提出了该领域未来有价值的研究方向。论文链接：通过点击本文左下角的阅读原文进行在线阅读及下载。论文基本信息论文题目：Multi-Sensor data fusion in intelligent fault diagnosis of rotating machines: A comprehensive review论文期刊：Measurement论文日期：2024年论文链接：https://doi.org/10.1016/j.measurement.2024.114658作者：Fasikaw Kibrete (a, b), Dereje Engida Woldemichael (a, b), Hailu Shimels Gebremedhen (a, b)机构：a: Department of Mechanical Engineering, College of Engineering, Addis Ababa Science and Technology University, P.O. Box 16417, Addis Ababa, Ethiopia；b: Artificial Intelligence and Robotic Center of Excellence, Addis Ababa Science and Technology University, P.O. Box 16417, Addis Ababa, Ethiopia；通讯作者邮箱: dereje.engida@aastu.edu.et目录1 摘要2 引言3 多传感器数据融合的基本概念4 用于旋转机械故障诊断的多传感器数据融合 4.1 数据级融合4.2 特征级融合4.3 决策级融合4.4 多级融合5 发现、现有挑战和未来研究方向 5.1 发现 5.2 现有挑战 5.3 未来研究方向6 总结（以上标记章节为本文内容）1 摘要旋转机械在多种工业中被广泛使用，其故障可能导致重大的经济损失和安全风险。因此，旋转机械的智能故障诊断，特别是通过利用多传感器状态监测数据，引起了越来越多的研究兴趣。然而，目前缺乏一篇专注于多传感器数据融合方法的全面综述。为了解决这一问题，本文对应用多传感器数据融合技术诊断旋转机械故障的现有文献进行了全面分析。首先提供了多传感器数据融合的基本概念，为后续讨论奠定了坚实的基础。然后，深入分析了多传感器数据融合在旋转机械智能诊断中的应用。此外，本综述论文强调了当前在多传感器数据融合用于旋转机械智能故障诊断中遇到的挑战。通过考虑这些挑战并整合来自各种来源的知识，本文提出了该领域未来的研究方向。这篇综述文章对于旋转机械智能故障诊断领域的研究人员、从业者和决策者来说是一个宝贵的资源。该综述全面洞察了多传感器数据融合技术的最新进展，并指导了测量科学领域的未来研究方向。关键词：状态监测，智能故障诊断，多传感器数据融合，旋转机械，传感器集成2 用于旋转机械故障诊断的多传感器数据融合2.1 多级融合在以往的文献中，主要集中在单级融合方法上。然而，这些方法在处理复杂的高维数据时存在局限性。单级融合方法可能难以从多个数据源中捕获全面的故障信息，导致洞察力潜在损失和诊断准确性下降。为了应对这一挑战，研究人员付出了巨大努力来开发包含多级融合的框架用于IFD。例如，Yunusa-Kaltungo等[131]开发了一种利用振动监测数据诊断转子和齿轮故障的自动化方法，该方法结合了数据级和特征级融合策略（见图8）。该方法通过复合相干谱进行特征生成，通过PCA进行数据降维，并采用ANN进行故障诊断。复合相干谱和多复合相干谱通过在一个统一的方法中结合这两个融合级别，有效降低了计算复杂度[132-134]。Li等[135]提出了一种创新的系统，通过利用具有多尺度特征融合模型的CNN来诊断斜齿轮故障。该模型有效地融合了多元时间序列多传感器振动数据。值得注意的是，该深度学习模型能够提取具有不同尺度的特征，促进了数据级和特征级的数据融合。类似地，Liu等[136]提出了一种专为使用多传感器振动数据进行轴承故障诊断的集成CNN。该方法包含两个一维CNN分支、一个多通道融合CNN分支和SVM方法。为了对抗信息损失，在特征级执行融合，组合多个源数据。然后使用SVM集成策略在决策级合并三个CNN分支的结果。通过整合多个信息来源，该方法旨在提高故障诊断的准确性。Zhang等[137]通过多级数据融合和分层自适应CNN，为离心风机引入了一种精确且鲁棒的故障诊断方法。如图9所示，该方法整合了数据级融合（将多个同质传感器信号组合成单一表示）。它还利用核主成分分析进行特征级融合，从多源数据中提取相关特征。Jiao等[138]开发了一种用于轴承的诊断方法，该方法融合了基于最小二乘SVM的特征级融合和基于D-S证据理论的决策级融合。该方法利用捕获振动信号的多个传感器的信息来提高准确率。通过利用多传感器振动信号，该方法旨在提高诊断准确性。Huang等[22]引入了一种分层的多传感器数据融合框架，通过融合多源振动信号来预测轴承的机械故障。这种综合方法利用多源振动数据来提高故障预测的准确性。图8 文献[131]的故障诊断流程图9 离心式鼓风机故障诊断的多级融合框架[137]Liu等[139]提出了一种用于旋转机械故障诊断的多级融合框架，包含自适应分层信息融合。如图10所示，该框架专门设计用于以分层方式集成来自振动和电流传感器的数据，考虑到信息的不同重要性和相关性。类似地，Wang等[140]提出了一种基于深度学习的感应电机故障诊断方法。该方法利用深度学习技术有效整合电机振动和定子电流信号的信息。通过在多个层级融合数据，该方法旨在提高感应电机故障诊断的准确性。图10 多层次融合框架架构[139]在另一项研究中，Gunerkar等[141]提出了一种利用声振信号诊断球轴承故障的智能方法。该方法通过采用瀑布融合技术在多个层级执行多传感器数据融合。Jing等[142]也开发了一种基于深度CNN的自适应融合系统，用于直接融合来自不同源的数据，包括振动、声学、电流和角速度信号。该方法在一个单一的深度CNN模型中结合了三个融合层级，如图11所示。结果证明了该方法在准确识别齿轮箱故障方面的有效性。类似地，Yan等[143]通过执行来自两个位置的传感器信号的数据级融合并利用多分支CNN进行高级数据融合，在主动磁轴承-转子系统中实现了有效的故障诊断。 图11 文献[142]提出的方法架构 尽管用于旋转机械故障诊断的多级融合技术相较于单级融合方法带来了显著改进，但它们并非没有局限性。局限性之一是与整合多个融合层级相关的计算复杂性增加。这在现实世界的应用或计算资源有限的系统中可能带来挑战。此外，多级融合的有效性在很大程度上依赖于来自不同传感器模态的数据的可用性和质量，因此确保正确的传感器选择、校准和同步至关重要。另一个局限性是在融合过程中可能引入噪声或无关信息，这可能对整体诊断准确性产生不利影响。此外，融合特征或决策结果的可解释性可能降低，使得难以深入了解潜在的故障机制。另外，多级融合技术的性能可能受到融合算法、网络架构和超参数设置选择的影响，需要仔细的优化和验证。虽然多级融合方法在旋转机械故障诊断中显示出前景，但在实际应用场景中需要考虑并解决这些局限性，以确保其实用性和有效性。 3发现、现有挑战和未来研究方向3.1 发现本综述论文基于对所考虑研究的广泛分析，探讨了多传感器数据融合在旋转机械IFD中的应用。多传感器数据融合涉及整合从不同数据源获得的原始信号/数据、特征或决策，以获得更全面和可靠的洞察。数据融合过程主要在不同的层级执行：数据级、特征级和决策级（解决研究问题RQ1和RQ2）。 根据进行的综述，很明显研究人员已经采用了多种传感数据类型来提高故障诊断的准确性和可靠性。这些包括振动信号、声学信号、温度信号、电流信号和润滑油分析数据等。每种数据类型提供关于机器行为的独特信息，并且可以有效地检测特定类型的故障。表2概述了基于不同故障问题在旋转机械故障诊断中常用的传感数据类型。每种数据类型都根据其在检测特定故障方面的有效性进行评估，包括机械故障、热相关故障、轴承和齿轮故障、电气故障以及润滑相关故障。勾号（√）表示特定传感数据类型在诊断该具体问题方面的相关性和有效性（解决研究问题RQ3）。表2 旋转机械故障诊断中使用的传感数据类型在各种传感数据类型中，振动信号因其直接反映机械状况和动态行为而被广泛研究并用于旋转机械的故障诊断。这些信号在检测故障模式和异常方面特别有价值。继振动信号之后，声学数据在旋转机械IFD的背景下具有重要意义（解决研究问题RQ4）。 该综述还强调，已经采用各种多传感器数据融合方法来整合来自多个来源的数据。这些融合方法大致分为数据级、特征级和决策级。数据级融合方法（如加权平均和卡尔曼滤波器）主要关注单一类型的传感器数据。这些方法可能无法充分利用多样化传感器数据中的广泛信息。相比之下，发现特征级融合方法在融合不同类型的传感数据方面比其他融合层级更有效。此外，实施特征级融合通常比决策级融合更容易。这些优势使得特征级融合在旋转机械IFD中特别有益。决策级融合包括组合从单个传感器获得的诊断结果的过程。在决策级使用的方法包括投票方法、D-S理论和贝叶斯决策融合。这些方法通过组合来自单个传感器的决策简化了融合过程，从而得到可解释且清晰的诊断结果。然而，决策级融合在利用来自不同传感器的原始或低级信息方面不如特征级融合方法有效（解决研究问题RQ5和RQ6）。 为了更深入地理解每个融合层级并为该领域做出贡献，研究人员可以参考表3（受篇幅限制，可参看原文），该表提供了对旋转机械IFD中三个融合层级的比较。该比较可作为设计实验、开发算法和扩展该领域知识库的有效资源（解决研究问题RQ6）。 如表3（受篇幅限制，可参看原文）所示，旋转机械IFD中的每个融合层级都提供了独特的优势和劣势。在数据级融合中，保留来自个体传感器的所有信息允许利用多样化的数据源，并且需要的专家知识较少。然而，数据配准缺乏可解释性、计算负担重以及实时性能差等挑战也随之而来。特征级融合将高维信息压缩为较小规模的信息单元，捕获相关特征并支持特定故障模式的分析。然而，需要特征提取方面的专业知识和领域特定知识，并且在提取过程中可能存在信息损失。决策级融合通过综合来自多个传感器的决策提供了实用性和可解释性，但它对融合规则敏感，需要仔细校准。对融合规则的依赖可能产生偏见和错误。考虑这些优势和劣势允许研究人员根据旋转机械IFD中的具体需求和约束选择最合适的融合层级（解决研究问题RQ7）。 除了个体融合层级外，一些研究人员还将多级融合视为旋转机械IFD中的一种方法。这种多层级融合方法能够提升系统对不确定性和噪声的鲁棒性，同时增强可解释性、灵活性及适应性。通过组合多个融合层级，多级融合方法旨在克服单级方法的局限性，并实现更全面的故障诊断。然而，多层级融合技术也面临诸多挑战。首要挑战在于其显著增加了融合系统的复杂度，需要依赖先进算法和更强大的计算资源。这种更高的计算负荷可能会影响系统实时性能。此外，与单层级融合方案相比，多层级融合的实施成本往往更为高昂。更值得注意的是，由于不同融合层级间的交互作用，系统验证过程会变得更加复杂。尽管存在这些挑战，但多层级融合在提升旋转机械故障诊断精度、增强系统鲁棒性和适应性方面的显著优势，使其成为该领域极具前景的发展方向。3.2 现有挑战尽管在旋转机械IFD的多传感器数据融合研究方面取得了相当大的进展，但仍存在某些需要进一步关注的研究挑战。这些挑战阻碍了诊断准确性和性能的提高。以下是该领域的主要研究挑战（解决研究问题RQ8）： ● 传感器选择：在旋转机械IFD的多传感器数据融合中，选择合适的传感器是一个重要的研究挑战。它需要考虑各种因素，如传感器规格、灵敏度、测量范围、功能和应用。选择合适的传感器至关重要，因为它们是准确有效的基于融合的故障诊断的基础。传感器技术的进步进一步增加了复杂性，需要持续的研究以确定特定诊断应用的最合适传感器。 ● 处理高维和海量数据：旋转机械生成大量的传感数据，这些数据可能是高维和海量的，特别是在使用具有多通道的多个传感器时。存储、处理和分析如此大量的数据是多传感器数据融合用于旋转机械IFD中非常常见的挑战。 ● 特征提取和选择：从高维传感数据中提取有用的特征，并选择最具信息量的特征进行融合，是故障诊断中的重要步骤。它需要努力研究探索先进的特征提取和选择方法，以有效地捕获相关的故障特征并优化融合过程。应对这一挑战涉及开发创新技术以从复杂传感数据中提取有意义的特征，并设计算法以选择信息丰富的特征进行融合。这能显著提高故障诊断的准确性和可靠性。 ● 融合多模态传感器数据：旋转机械通常使用不同类型的传感器，这些传感器捕获不同类型的数据，例如振动、温度、压力和声学信号。融合这些多多模传感器的异构数据是一个挑战，因为数据格式、采样率、噪声水平和测量尺度存在差异。开发能够有效处理和融合多样化数据类型的融合技术对于准确的故障诊断至关重要。 ● 融合时间和空间信息：旋转机械生成的数据捕获了时间和空间特征。时间数据包括时间序列测量值，而空间数据表示机器上不同位置的测量值。结合时间和空间信息对于捕获全面的故障模式和准确诊断故障至关重要。开发能够有效整合时间和空间信息的融合算法是一个研究挑战。 ● 大规模旋转系统的可扩展性：大型旋转机械（如风力涡轮机或工业涡轮机）生成大量数据。开发可扩展的融合算法和架构，能够高效处理大规模系统的高容量数据、计算复杂性和内存需求，是一个研究挑战。高效的并行处理、分布式计算和压缩技术可能是解决可扩展性问题所必需的。 ● 适应变化的工况：旋转设备IFD中多传感器数据融合的一个重大挑战是确保故障诊断方法适应变化的工况。旋转机械可能经历速度、负载、传感器特性和故障模式的变化。开发能够有效处理和适应这些变化的融合系统以保持高水平的故障诊断准确性至关重要。 ● 在线学习和适应：另一个重大挑战是在融合系统中开发在线学习和适应机制。这些机制对于实时更新融合系统的知识并增强其性能是必要的。通过结合在线学习技术，融合系统可以获取新信息，适应不断发展的故障条件，并提高故障诊断过程的准确性和可靠性。 ● 融入领域知识：将领域知识（包括专家规则和特定于旋转机械的物理约束）融入融合算法是多传感器数据融合用于IFD的关键挑战。开发能够有效将这种领域知识整合到融合算法中的方法对于增强诊断结果的可解释性和可靠性至关重要。 ● 融合算法的验证和基准测试：在多传感器数据融合用于旋转机械IFD中，严格的验证和基准测试至关重要。这一挑战需要在真实世界的旋转机械应用中进行全面的验证研究，以评估融合算法的性能并比较各种方法。研究人员需要开发标准化的数据集、评估指标和测试场景，这些应代表各种故障条件和运行条件。通过这样做，可以促进对不同融合方法的公平比较和验证，确保算法经过严格评估并能可靠地应用于实际场景。 ● 多传感器数据集的可用性：缺乏公开可用的多传感器数据集是该研究领域研究人员面临的另一个挑战。缺乏代表不同类型旋转机械、故障条件和传感器配置的标准化数据集阻碍了算法开发和评估。研究人员在获取用于测试和基准测试其融合算法的多样化且具有代表性的数据集方面面临困难。克服这一挑战需要努力创建和共享全面的多传感器数据集，这些数据集应准确反映真实场景，使研究人员能够通过开发和评估鲁棒的IFD方法来推动该领域的发展。 ● 案例研究和实际实施：该研究领域的另一个挑战是纳入案例研究和实际实施。进行案例研究并将融合算法应用于真实世界的旋转机械应用中，对于获取见解、验证融合方法的有效性以及识别实际挑战至关重要。研究人员需要将融合算法应用于不同的工业环境，收集现场数据，并分析其在真实条件下的性能。这一挑战涉及需要进行全面的案例研究和实际实施，以基于实际考虑改进和完善故障诊断方法。与行业合作伙伴的合作可以提供宝贵的见解和反馈。 ● 可解释的融合模型和可解释性：融合模型的可解释性和可解释性是获得领域专家和决策者信任和接受的重要因素。开发可解释的融合模型和技术，能够为诊断决策提供解释，是一个挑战，因为它需要在准确性与透明度和可解释性之间取得平衡。 ● 旋转机械中数据的隐私和安全：在旋转机械领域，确保数据的隐私和安全成为一个重大挑战。这项任务涉及保护这些机器生成的敏感信息免受未经授权的访问、篡改或泄露。实施强大的安全措施、加密协议、访问控制和数据保护机制对于保障数据的机密性和完整性变得至关重要。 通过成功解决这些挑战，研究人员、从业者和决策者可以推动旋转机械IFD中多传感器数据融合的进步。克服这些挑战将提高诊断准确性、改善可靠性，并扩大融合方法在现实工业环境中的适用性。这需要信号处理、机器学习、数据融合和领域特定知识方面的专家之间进行跨学科合作，以开发创新解决方案，并为旋转机械更有效和高效的故障诊断铺平道路。3.3 未来研究方向多传感器数据融合研究在提高旋转机械故障诊断准确性方面取得了重大进展。然而，仍有一些挑战需要解决，以进一步提高多传感器数据融合的有效性。借鉴现有文献并考虑这些挑战，可以总结出以下未来研究方向（解决研究问题RQ9）： ● 先进的多级融合方法：一个有前景的方向是开发先进的多级融合方法，这些方法能够有效地在不同抽象层级上整合来自多个传感器的多样化类型数据。这些方法将专门解决故障诊断背景下融合层级之间的复杂性和相互作用。 ● 混合方法：将基于物理的模型与数据驱动技术相结合，为一个有前景的研究方向。通过结合旋转机械物理行为的固有知识与数据驱动模型的灵活性和适应性，混合方法可以提供增强的故障诊断能力。 ● 边缘计算和物联网集成：未来的研究还应侧重于将多传感器数据融合技术与边缘计算和物联网技术相集成。这种集成可以在边缘实现传感器数据的即时处理和分析，减少延迟并实现及时的故障诊断。物联网集成可以促进来自不同来源的传感器数据的无缝集成，从而在大型工业环境中实现全面的故障诊断。 ● 人机协作：研究应探索人类专家在回路中的作用，并开发用于协作故障诊断的交互式界面。将专家的专业知识与智能故障诊断系统相结合可以提高诊断过程的整体性能和可靠性，特别是在复杂的故障场景中。 ● 基准数据集和评估指标：建立专门为故障诊断中的多传感器数据融合设计的标准化基准数据集和评估指标至关重要。这可以促进对不同融合算法和技术的公平比较和基准测试，使研究界能够准确评估其模型在该领域的性能。 ● 实际验证和案例研究：未来的研究应侧重于在工业环境中进行实际验证研究和案例研究，以评估用于旋转机械故障诊断的多传感器数据融合技术的有效性和实用性。这些研究可以提供关于在实际场景中应用这些技术所面临的挑战和局限性的见解。 通过追求这些未来方向，可以在旋转机械IFD的多传感器数据融合领域取得进展。这将有利于开发出更准确、高效和可靠的故障诊断系统。因此，它将有助于改善机器健康监测、增强维护策略、提高性能并减少旋转机械系统的停机时间。 4 总结本综述论文对旋转机械IFD中的多传感器数据融合进行了全面综述。综述的主要发现和贡献强调了采用这些技术以改善旋转机械故障诊断结果的重要性。以下是关于旋转机械IFD中多传感器数据融合的综述论文的一些主要发现和贡献： ● 该综述涵盖了基本概念，并探讨了用于多传感器数据融合中IFD任务的各种方法。这为寻求深入理解该领域的初级研究人员和从业者提供了宝贵的见解。 ● 该综述的详细分析有助于更好地理解旋转机械IFD中多传感器数据融合的最新技术水平。该分析使研究人员能够了解最新进展和技术。 ● 采用多传感器数据融合技术进行故障诊断的潜在优势包括提高准确性、减少误报和增强系统可靠性。这些优势有助于制定更有效的维护计划、减少停机时间、延长设备寿命并提高各行业的安全性。 ● 该综述强调了整合不同传感器模态以实现旋转机械全面故障诊断的重要性。这强调了考虑多个信息源以实现准确可靠诊断的必要性。 ● 该分析还强调了在旋转机械IFD中采用多级融合方法的重要性。该方法涉及整合来自不同级别的信息，从而提高故障诊断的准确性和可靠性。 ● 该综述确定了与数据异构性、噪声、不确定性和计算复杂性相关的挑战。识别这些挑战提示需要该领域的进一步进步以有效克服它们。 ● 该综述基于现有文献和已识别的挑战提出了未来的研究方向。这些方向包括开发自适应和自学习算法、实时故障诊断框架，以及将领域知识融入数据融合过程。在这些方面展开研究可以提高旋转机械故障诊断的准确性和可靠性，从而有益于提升制造业、能源和运输业等行业的运营效率、节约成本和提高安全性。 ● 总的来说，这篇综述文章为研究人员、从业者和决策者提供了宝贵的资源，因为它全面介绍了旋转机械IFD中多传感器数据融合的最新进展。通过解决已识别的挑战并追求提出的研究方向，研究人员和从业者可以开发创新方法和技术，以推进旋转机械故障诊断的准确性和可靠性，最终提高运营效率和节约成本。 在未来的研究中，作者计划提出一种新的多传感器数据级融合方法，用于改进旋转机械的故障诊断。该方法将专门考虑振动信号分析中不同的采样频率和传感器安装方向。通过解决与数据异构性相关的挑战，所提出的方法旨在显著提高故障诊断的准确性和可靠性。编辑：陈宇航校核：李正平、陈凯歌、赵栓栓、曹希铭、赵学功、白亮、任超、海洋、Tina、陈莹洁、王金、赵诚，肖鑫鑫该文资料搜集自网络，仅用作学术分享，不做商业用途，若侵权，后台联系小编进行删除来源：故障诊断与python学习