1区开源论文推荐 || 哈工大 × 北交大/清华/华科大联合发力：跨类别小样本故障诊断实现关键突破

本期给大家分享一篇小编近期阅读的2区top综述文章。如果有故障诊断相关方向研究人员希望宣传自己研究成果，欢迎大家在公众 号后台与小编联系投稿，大家一起交流学习。故障诊断是当前工业设备领域的研究热点。本期推荐的这篇是迪肯大学博士研究生迪拉杰・纽帕内的文章，这篇文章聚焦数据驱动的机械故障诊断，系统梳理了传统机器学习、深度学习、强化学习、迁移学习等方法的应用，分析了多个机械故障数据集的特征与应用，探讨了数据稀缺、模型泛化性等挑战，并提出了数据集优化、算法改进等未来研究方向。其核心价值在于弥补现有研究在 RL （Reinforcement Learning：强化学习）应用、多源数据融合等方面的空白，促进该领域的进一步发展。由于文章篇幅过长，小编将分三次为大家翻译介绍这篇论文，第一篇推文阐述 MFD（Machinery Fault Diagnosis：机器故障诊断） 重要性，指传统方法不足，数据驱动方案兴起；介绍故障诊断类别与维护策略，点明现有综述缺陷；说明本综述方法、分类体系；探讨机械故障数据，包含类型、增强技术、数据集三个方面；最后阐述传统数据驱动方法及各自优缺点。第二篇阐述先进数据驱动方法在机械故障诊断（MFD）中的应用，详细阐述了深度学习、强化学习、迁移学习的技术原理及实践效果，同时介绍了异常检测、Transformer 架构、物理信息神经网络、联邦学习等辅助方法的应用场景，各类方法均通过多个数据集验证了高准确率与强适配性，为复杂工业环境下的 MFD 提供了高效解决方案。本篇推文将聚焦先进数据驱动方法，详解 DL（CNN、RNN 等）、RL、TL 在 MFD 的应用，DL 各模型处理不同数据与任务，RL 用于分类和架构搜索，TL 缓解数据与域差异问题，还提及异常检测等其他助力 MFD 的方法。希望对大家的学习有所帮助，文章质量很高同时希望大家可以多多引用。论文基本信息论文题目: Data-driven machinery fault diagnosis: A comprehensive review论文期刊：NeurocomputingDoi：https://doi.org/10.1016/j.neucom.2025.129588作者: Dhiraj Neupane(a), Mohamed Reda Bouadjenek(b), FaRichard Dazeley(c), Sunil Aryal(d) 论文时间: 2025年 机构: a School of IT, Deakin University, WaurnPonds, Geelong, Victoria 3216, Australia作者简介：迪拉杰・纽帕内，系迪肯大学的博士生，专攻基于先进机器学习算法的智能故障检测。他拥有韩国昌原国立大学信息与通信工程硕士学位，研究方向为机械设备故障检测与信号处理，同时对计算机视觉和声纳信号处理抱有浓厚兴趣，已发表多篇高影响力论文。此外，还积极担任多家知名期刊的审稿人。(来源：ResearchGate） 摘要在当今先进制造时代，尽早诊断机械故障以确保其安全高效运行变得比以往任何时候都更为关键。随着现代工业过程日益复杂，传统的机械健康监测方法已难以提供高效性能。在工业大数据激增以及传感与计算技术进步的推动下，基于机器学习/深度学习方法的数据驱动式机械故障诊断解决方案已在制造应用中广泛应用。在工业应用中，及时、准确地识别故障机械信号至关重要，为此已提出诸多相关解决方案，并在早期文献中多有综述。尽管目前存在大量关于机械故障诊断的解决方案和综述，但是现有文献大多聚焦于特定设备类型或分析方法，导致其在广泛制造环境中的适用性受限。此外，关于实施数据驱动方法所面临挑战的讨论（例如处理噪声数据、选择合适特征、以及调整模型以适应新的或未知故障）往往流于表面或完全被忽略。因此，本综述对采用不同类型机器学习方法检测和诊断各类机械故障的文献进行了全面回顾，重点评述了其优势与局限性；梳理了用于预测分析的方法；详尽探讨了可用的机械故障数据集；向未来研究者介绍了应用这些方法进行故障诊断时可能遇到的挑战，并提出了缓解这些问题的可能解决方案。同时，本文也指明了未来研究前景，以促进对该领域的深入理解。我们相信，本文将为研究人员提供帮助，并促进该领域的进一步发展。 关键词：数据驱动；深度学习；故障检测；联邦学习； 机械故障；机器学习 ；预测性维护；强化学习 目录1 引言 1.1 研究背景 1.2 研究动机 1.3 文章结构2 实施的方法论与开发的分类法论3 机械设备故障数据(与分析) 3.1 数据类型与分析 3.2 数据增强4 数据驱动方法 4.1 传统数据驱动方法 4.2 基于深度学习的数据驱动方法 4.3 基于强化学习的故障诊断 4.4 基于迁移学习的故障诊断 4.5 其他方法5 挑战 5.1 数据相关挑战 5.2 旋转机械面临的挑战 6.3 现有方法面临的挑战 5.4 应用机器学习/深度学习算法面临的挑战 5.5 其他挑战6 对未来研究者的建议 6.1 机械设备与数据集增强 6.2 算法开发 6.3 其他建议7 未来展望8 结论注：小编能力有限，如有翻译不恰之处，请多多指正~ 若想进一步拜读完整版，请下载原论文进行细读。 5 挑战在MFD领域，尽管受到了学术界的广泛关注，但有效地将先进的数据驱动算法应用到实际应用中仍然存在挑战。这些挑战涵盖了各个方面，包括数据集问题、模型架构和现有方法，在后续章节中进行了详细阐述。智能传感器：与传感器网络相关的挑战包括安全和隐私、网络流量和能量效率。确保安全和隐私是至关重要的，特别是在保护组织边界和云计算背景下的数据方面。网络流量是另一个重要的挑战，因为来自多个传感器的同时数据传输会导致拥塞和潜在的数据丢失。最后，能量效率对于最小化功耗至关重要，同时优化整个传感器网络的资源利用率。5.1 数据相关挑战 采用先进的学习方法进行MFD需要大量的数据。然而，可用的数据集有许多限制，限制了所采用模型的性能。以下是研究人员在处理机械故障数据集时面临的挑战：真实世界数据面临的挑战：智能传感器：与传感器网络相关的挑战包括安全和隐私、网络流量和能量效率。确保安全和隐私是至关重要的，特别是在保护组织边界和云计算背景下的数据方面。网络流量是另一个重要的挑战，因为来自多个传感器的同时数据传输会导致拥塞和潜在的数据丢失。最后，能量效率对于最小化功耗至关重要，同时优化整个传感器网络的资源利用率。多传感器数据融合：多传感器数据融合中的挑战包括处理不精确和不确定性，集成同质和异质传感器数据，以及有效地分析来自不同来源的数据。 分布式系统中的数据同步对于保持系统的实时性能至关重要。此外，在边缘计算和云计算之间平衡监测框架和数据采集系统的高成本和计算决策仍然是一个关键的挑战。真实世界数据面临的挑战：真实世界的机械数据往往是有噪声的、不一致的、来自异构传感器的、非平稳的、不完整的，使得故障分析具有挑战性。这可能是由于传感器故障、间歇性故障或数据收集过程中的通信问题造成的[ 237 ]。真实世界场景和受控实验室环境之间的数据质量差异给实际应用带来了巨大的挑战。此外，各行业不愿提供真实的工业数据用于研究也是一个存在的问题。故障数据稀缺：真实世界的故障机器数据往往是稀缺的，使得训练先进的ML模型具有挑战性。获取足够的故障数据用于机械故障检测是具有挑战性的，因为机械通常在正常条件下运行。再次，故障具有不同的类型和严重程度，为每种类型的故障获取足够的数据是一项具有挑战性的任务[ 1 ]。标注数据不足：如前所述，大多数工作依赖于监督学习，需要标注数据。然而，准确标记故障类型和严重程度是具有挑战性的，这导致了标记数据集的稀缺。在现实世界的工业环境中，标记数据的短缺是一个重大的挑战，因为标记是一个昂贵和耗时的过程，通常缺乏多样性，以确保对未见过的故障进行有效的泛化[ 25 ]。数据不平衡：故障数据稀缺导致类别不平衡问题，正常状态的数据多于故障，导致某些故障类型的代表性不足。这种不平衡会阻碍学习过程，使模型偏向多数类[ 405 ]。数据不相容性：当数据来自不同的来源时，检测机械故障变得具有挑战性，每个来源都有自己的目标、复杂性和数据处理的标准。 此外，数据库中数据存储深度的变化为机械中的故障检测创造了建模问题[ 406 ]。从研究到实践的知识转移：大多数研究是使用在受控实验室环境中获得的公开可用的数据集进行的。目标是应用这些知识来检测未见过的机械故障，包括从实验室产生的数据中预测真实世界的故障。然而，要做到这一点，必须解决几个技术挑战[ 8 ]。现有数据集存在的问题：大多数机械故障数据集具有局限性，其中一些数据集列举如下：在MFD中使用公开的数据集面临各种挑战，包括非经典故障识别特征、非平稳特性、难以准确识别所有故障、高方差、数据损坏、频率成分不规则、缺失值、对某些标签或类的偏见、故障类型的代表性有限、可访问性受到限制以及运行条件[8、13、21、44]范围较窄。一些数据集包含多种来源的异构数据，阻碍了数据的一致性和模型的训练。此外，许多是复杂的和具有挑战性的分析，而一些是相对较小的，限制了模型性能[1、34]。5.2 旋转机械面临的挑战 复杂运动：真实世界的机械经常涉及组件之间的滑动，这使得故障频率的计算变得复杂，并影响特征信息。频率干扰：在同时发生多种类型机械故障的情况下，它们的相互作用可能导致复杂的频率相互作用，使信息频率变得不清晰。外部噪声：额外的振动或声发射源或其他类型的噪声可以引入干扰，并模糊相关特征。具有挑战性的故障类型：一些机械故障可能表现出非平稳行为，缺乏特征循环频率，使其难以检测。敏感性可变性：与机械缺陷相关的特征可以对不同的操作条件敏感，需要系统的适应。传感器布置：获取准确的机械故障信号需要昂贵的传感器和专家参与将其安全地安装到机器上。传感器布置不当导致的数据质量不足会对DL模型在故障检测中的性能产生不利影响[407]。5.3 现有方法面临的挑战 1. 监督学习：MFD中最主要的方法是SL技术。然而，也存在一定的挑战，具体如下所述：这些方法善于发现已知的故障，但与新的或看不见的类型作斗争。这些方法擅长检测已知的故障，但难以发现新的或看不见的类型。为监督方法获取一个多样化、标记良好和平衡的数据集是资源密集型和耗时的，往往导致模型泛化能力有限。特征选择在监督学习中至关重要，影响模型性能。有监督学习会导致过拟合，特别是在训练数据有限的情况下，导致在新数据上的表现不佳。有监督学习算法对数据噪声的敏感性会导致误报和漏报。2. 半监督学习：SSL在MFD中的使用仍然有限，但逐渐增加。它们在一定程度上克服了监督学习技术的局限性；但是，也存在一定的局限性，需要加以解决。与监督方法相比，SSL需要更少的标记数据，但在获得质量标签方面仍然面临挑战，这在MFD中可能是昂贵的。确定最佳标记数据量的挑战，因为过少会导致性能不佳，而过多会导致过拟合。一致地结合标记和未标记数据会引入偏差，并且不总是直接的。像在监督学习中一样，类别不平衡可能是SSL中的一个挑战，其中标记样本在不同类中的不平等分布可能会使模型产生偏差。由于在监督和非监督领域都需要专业知识，因此复杂的实现。对标记数据质量的敏感性会降低算法性能。从多种方案中选择合适的半监督学习算法存在困难。3. 无监督学习：在MFD中使用USL方法面临的挑战如下：无监督技术的最大优势，即不需要有标记的数据，这可能是它的局限性，因为它可能难以评估模型的性能。无监督技术依赖于检测异常，这可能难以应对复杂和多样化的操作行为。设置适当的阈值进行异常检测是主观的，可能需要专家经验。这些方法在处理复杂的机械数据时可能会产生误报，影响可靠性。无监督方法可能缺乏明确的结果解释，阻碍精确的故障诊断。4.强化学习：RL在MFD中的局限性如下：尽管RL在其他领域取得成功，但其在MFD中的应用受到限制。在现有系统中，RL在优化维护决策和故障检测方面的潜力没有得到充分利用。目前用于MFD的RL算法通常将故障诊断简化为猜测游戏，类似于分类任务。RL算法在适应各种机械或环境设置方面的局限性[ 117 ]。RL在平衡探索和利用方面的挑战，以发现最优策略和最大化回报[ 365 ]。RL通常需要与环境进行广泛的交互，使其难以推广到不可见的环境或任务。RL在处理连续动作和高维状态空间时面临的困难。5.3 应用机器学习/深度学习算法面临的挑战 ML / DL算法在使用连续几何变换将一个空间X映射到另一个空间Y方面取得了重大进展，特别是在大量数据可用的情况下。这一成果在各个行业都是革命性的[ 409 ]。然而，人类层面的人工智能仍然是一个难以实现的目标。研究人员面对更深层次网络的挑战包括：经典ML的特征工程挑战：在MFD中，经典ML算法依赖于特征工程，根据运行参数和物理特征来识别相关故障指标。然而，这种方法面临着影响故障分类精度的挑战[ 8 ]。复杂模型训练：训练用于机械故障检测的ML / DL模型需要大量的计算资源和时间，特别是深度神经网络需要大量的数据。模型可解释性：深度学习模型常被视为黑箱模型，缺乏透明性和可解释性。这对于像机械故障检测这样的安全关键应用来说是一个值得关注的问题。在故障检测系统中确保信任和促进决策是至关重要的，因此有必要研究在此背景下增强DL模型的可解释性[410、411]。通用化：大多数技术侧重于特定的情况，而不是集成的工程环境，影响了它们的通用性。此外，现有的算法往往很难在逼近和泛化之间找到最佳的平衡。对训练数据的过拟合会降低在未知数据上的性能，而过度泛化会导致较差的训练精度[410、412]。数据依赖性：DL模型严重依赖大量数据进行有效学习。它们在数据稀缺的情况下表现不佳，并且与不平衡数据集斗争，经常将样本较少的类错误分类。此外，在MFD [ 413 , 414]的背景下，DL模型在学习低质量或冗余数据时面临挑战。计算开销大：这些模型计算密集，需要强大的硬件进行训练和执行，使得它们的成本很高。这对于资源有限的小型研究团队和工业应用来说可能是一个限制因素[ 1 ]。特征提取的挑战：从原始传感器数据中选择相关和重要的特征对于准确的故障检测至关重要，但在大型数据集中识别最具信息的特征可能是复杂的。为了捕获故障相关模式，需要有效的特征提取方法和领域专业知识。没有选择DL架构的标准化方法：由于缺乏标准化的指导原则，为机械故障检测选择合适的DL工具和架构是具有挑战性的。DL模型具有众多的超参数，需要专家知识和计算资源以获得最佳性能。 此外，大多数现有的深度学习架构都是针对图像数据设计的，因此鼓励工程师探索根据工业机械数据的独特特征量身定制的卷积架构，这些架构具有改进故障诊断的潜力[ 415 ]。MFD中一些最常用的DL架构的局限性如下：自编码器：传统的自编码器通常包含一个预训练阶段来初始化网络权重，第一层的错误会导致网络学习重构训练数据的平均值。此外，自动编码器具有有限的可解释性，因为模型通常学习压缩的表示。CNN：CNN依赖于标记数据，需要多个层来捕获整个层次结构。它们还面临捕获时间序列数据中的长期依赖关系的挑战，具有固定的输入大小约束，对变长度的时间序列造成问题，对超参数的调整高度敏感，以及与不规则采样数据或缺失值的斗争。DBN：DBNs具有局限性，例如基于最大似然训练近似的优化步骤不明确以及无法考虑输入图像的二维结构，影响了其在计算机视觉和多媒体分析任务中的性能和适用性[ 416 ]。GAN：GANs在训练收敛中可能会遇到不稳定性和挑战，容易发生模式崩溃，其中生成器仅产生有限种类的样本，在评估生成样本的质量和性能方面面临困难，并且需要仔细调整架构和训练过程[ 417、418 ]。RNN和LSTM：这些模型由于梯度消失/爆炸而难以在长序列上进行训练，捕捉复杂时间依赖的能力有限，并且在训练过程的并行化方面存在挑战。TL：-迁移学习可以帮助缓解数据相关的挑战，但由于操作条件、传感器配置和机器类型的差异，可能并不总是适用于MFD应用，这可能会限制从一个任务到另一个任务的知识转移的有效性；-由于不同工作条件之间的转移误差、不同组件的独特特性、实验室和工业领域之间的尺度放大问题以及样本容量和先验知识的限制等因素，提高诊断精度具有挑战性；-迁移学习中的负迁移会导致目标任务的性能不佳。 防止负迁移仍然是一个开放的挑战，因为如果源任务与目标任务有显著差异，负迁移更有可能发生。选择与目标数据相似的源数据有助于减轻负迁移[ 21 ]。-开发适用于不同机器或设备类型的故障检测模型具有挑战性。每台机器都有其独特的运行特点、环境条件和故障表现形式。确保故障检测模型对新的、看不见的机器的可推广性仍然是一个重大挑战。-尽管MFD在故障识别、特征提取、动态状态监测、故障严重程度评估和RUL预测等方面取得了显著进展，但目前的研究表明，深度迁移学习技术已主要用于故障特征提取。-在源域和目标域之间的迁移过程中，由于额外的复杂性，以及深度学习架构固有的计算需求，计算负担增加。XAI：XAI识别了重要的特征，但往往无法解释它们为什么是关键的。5.5 其他挑战大多数研究缺乏交叉验证和实验重复；所提方法对伪代码的解释不足；选择适当的评估指标，准确地反映误报和漏报的真实影响，具有挑战性；与机械故障数据进行适当的交叉验证，由于其时间性质和防止数据泄漏的需要，具有挑战性；在一些行业中，实施和验证故障检测系统的监管要求增加了额外的复杂性；在整个工业设施中使用大量机器的故障检测系统，可能会在硬件和基础设施方面带来挑战。6 对未来研究者的建议6.1 机器和数据集增强1.特征提取的挑战：从原始传感器数据中选择相关和重要的特征对于准确的故障检测至关重要，但在大型数据集中识别最具信息的特征可能是复杂的。为了捕获故障相关模式，需要有效的特征提取方法和领域专业知识。研究和分析：作为最初和最重要的一步，我们建议未来的研究人员对他们将要工作的数据集进行深入和详细的研究。正如多次提到的，数据是任何算法性能的基础。因此，在模型开发之前仔细分析数据可能会更好地理解问题并提高模型性能。2.数据集创建：在生成数据集时，要慎重考虑。集成高质量的传感器，如加速度计和声发射传感器，用于不同条件下的数据采集(健康和故障状态,不同的严重程度)；适当的传感器布置对于准确的数据采集至关重要，要求传感器靠近源并安全安装，以尽量减少干扰和噪声[ 33 ]；测试床应设计为复 制真实世界条件，并仔细选择材料和配置；收集不同负载和速度设置的数据，以确保捕获有意义的故障特征；准确标记数据集，详细说明故障类型、严重程度和实验条件。应用滤波、归一化等预处理技术对数据进行精化处理，用于算法开发。系统地组织数据，以便于访问和分析。如果公开共享，将数据集托管在可靠的平台上，并提供全面的文档，以支持该领域的其他研究人员。3.传感器策略：根据选择的方法调整传感器的数量。经典方法可能需要更少的传感器，而深度学习方法则受益于不同位置的多个传感器。整合来自不同来源的数据，如振动、温度、声信号和扭矩，以增强故障模式识别和模型性能[ 32 ]。4.数据集扩充：保证足够的数据集大小用于训练鲁棒的深度学习模型。使用数据增强、信号处理技术和合成数据生成来增加数据集的多样性。迁移学习和领域自适应等技术可以缓解与数据稀缺相关的问题[ 406 ]。5.数据预处理：实现预处理技术，去除噪声，解决缺失数据，过滤掉无关信息。将原始数据转换到频率域或时频域，以揭示隐藏的模式，从而提高故障检测算法的有效性。6.综合模型评估：使用通用的基准测试集和真实的工业数据进行全面的模型评估，确保模型在不同的条件下进行测试，并能够处理机械故障检测中的实际挑战。7.数据融合与处理：通过多传感器数据融合加强数据收集，以进行全面的多故障诊断。应用代价敏感学习和具有重采样策略的集成方法来管理数据分布。使用反映真实工业设置不平衡性质的数据集进行鲁棒模型训练。6.2 算法开发建议对工作环境和操作条件进行适当评估。对于更简单的设置，经典的ML方法或基于频率的模型是合适的。在具有多个工作点的噪声或复杂环境中，应考虑先进的DL方法，并结合噪声弹性的去噪技术。一些研究表明，深度学习在机械健康监测中并不总是优于传统方法。建议以更简单的方法开始解决问题。为特定的机械故障检测任务选择适当的DL / ML架构，以平衡复杂性、可解释性和计算需求[ 24 ]。无监督异常检测方法可以解决标记数据稀缺和类不平衡问题。由于故障数据表现出异常模式，异常检测方法可以在不需要标记数据的情况下对其进行识别。此外，它们还可以检测新的和不可见的故障。半监督或无监督学习算法也可以缓解标记数据稀缺的问题。当使用半监督学习时，在利用未标记实例的同时，使用适当比例的标记数据。除了数据增强技术，还可以通过设计损失函数来解决数据不平衡问题。例如，文献[ 420 ]中基于帕累托优化的方法引入了多任务学习框架来平衡任务之间的权衡，有效地处理了数据不平衡问题。同样地，自适应交叉熵损失在训练过程中自动地对多数类和少数类样本的影响进行重加权，提高了模型在不平衡数据上的性能。应用正则化技术和去噪方法来清洗信号，避免过拟合，并提高DL模型在机械故障检测中的泛化性能。使用交叉验证方法和重复实验进行综合测试，以验证模型性能、稳定性和可推广性。将DL与传统的ML、信号处理、特征工程等技术集成，以利用它们的组合优势，实现稳健的机械故障检测算法[ 167 ]。研究领域自适应方法，以提高迁移学习在机械故障检测应用中的有效性，考虑不同的操作条件和机器配置。针对强化学习应用，探索适合机械故障检测挑战的新的奖励函数、算法和学习范式的开发。结合可解释的AI技术，以增强深度学习模型的可解释性，为其决策过程提供见解，并增加对其预测的信心。6.3 其他建议扩大研究范围，以覆盖更广泛的故障和机械。虽然现有的研究主要集中在特定的机器部件，如轴承、齿轮和电机，但现实世界的应用往往涉及这些部件共同运行。这就需要开发能够评估组合系统中各机器部件之间相互作用的诊断方法。为了增强方法的可访问性和可比性，我们强烈建议发布机械故障检测算法的源代码。开源代码允许其他研究人员在现有工作的基础上实施、评估和构建，促进了该领域的透明度、协作和创新。 研究人员应采用全面和结构化的文档方法，以使该领域的未来研究人员受益。考虑在机械故障检测中结合在线学习技术，以使其能够持续适应不断变化的机器条件和新的故障类型[ 117 ]。使用数字孪生可以帮助模拟场景了解故障的根本原因，预测故障以进行主动维护，并实现实时监控[ 319 ]。虽然该领域的开源代码稀缺，但少数研究人员维护开源资源。我们建议未来的研究人员访问这些网站以获得帮助：https://qinyi-t eam.github.io, https://biswajitsahoo1111.github.io/, https://gith ub.com/liguge,等。我们还敦促未来的研究人员使他们的代码和数据集开源，以使整个研究社区受益。7 未来展望在MFD领域，尽管受到了学术界的广泛关注，但有效地将先进的数据驱动算法应用到实际应用中仍然存在挑战。这些挑战涵盖了各个方面，包括数据集问题、模型架构和现有方法，在后续章节中进行了详细阐述。机械故障诊断的未来有许多机会，其发展的目的是提高诊断系统的准确性、可靠性和在工业环境中的适应性。研究人员正致力于通过开发新的方法来增强故障检测和分类的鲁棒性，以检测快慢结合条件下的裂纹损伤。这项工作强调了抗噪算法的重要性，这些算法对于在嘈杂的工业环境中进行准确诊断至关重要。进一步地，将变压器结构和物理信息神经网络等高级模型集成起来，以推进MFD系统。 研究人员也在探索各种数据融合方法- -包括传感器、特征和决策融合- -来融合不同的数据类型，如振动、电流、扭矩、声音信号和视觉图像。这种方法优化了这些数据类型的预处理，提高了故障检测的精度和效率。因此，开发处理不同融合层次复杂性的方法是未来研究的一个前瞻性领域。半监督和强化学习在MFD中的探索正在兴起，重点是减少对标记数据的依赖，并利用序列学习来预测故障并提高检测效率。未来MFD的研究将越来越强调离线RL的实际应用，以在新的环境中更好地推广。这种转变将检测故障放在优先地位，而不是简单地对故障进行分类，反映了一种更加动态和主动的故障管理方法。进一步，集成领域泛化、领域混淆和领域自适应等先进技术，以解决不可预见的机械故障条件、数据不平衡和标记数据有限等问题。 此外，XAI方法的发展有望使MFD更加透明和可解释，并在这些系统的决策过程中建立信任。然而，尽管XAI确定了哪些特征是重要的，但它往往不能解释为什么这些特征是关键的，这突出了需要进一步研究来弥合这种差距，并提供更深入的特征意义的见解。总体而言，未来MFD的研究具有创新性和实用性，有望为工业应用提供更可靠、准确和自适应的故障检测方法。最后，为了应对实时诊断的计算挑战，提高数据处理能力和计算效率是至关重要的。预训练、神经架构搜索、模型压缩等方法将起到关键作用。将机理知识与深度学习相结合，有望提高模型的可解释性和泛化性，从而实现更加自主和复杂的监测系统。数字孪生技术和混合数据驱动方法的结合也将在最小化预测误差和改进维修策略方面发挥重要作用。 总的来说，这些未来研究的可能性将促进MFD不仅满足现代工业的复杂需求，而且将朝着更可靠和更有效的故障检测方法的方向发展。8 结论本文对机械故障诊断方法进行了全面的综述，涵盖了从数据源到预测性维修策略的主题。它探讨了该领域广泛的数据集，并讨论了传统和先进的方法，包括深度学习、联邦学习、强化学习、迁移学习和物理知情的神经网络。该综述强调了数据收集和维护分析的关键作用，强调了各种预测方法在提高故障检测和机器可靠性方面的潜力。所识别的挑战是未来研究的关键领域，而所提供的建议旨在提高数据集质量、算法选择和实际应用。 本综述为机械故障检测领域的新进者和专家提供了宝贵的资源，有助于在不同行业中提高故障检测和机器可靠性。 编辑：赵栓栓校核：李正平、陈凯歌、曹希铭、赵学功、白亮、任超、海洋、陈宇航、陈莹洁、Tina、王金、赵诚、肖鑫鑫、张优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