中科院一区Top论文学习|基于深度神经网络和双指数模型的混合剩余寿命预测方法

本期给大家分享一篇小编近期阅读的1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。 本期推荐的这篇是中国东北大学机械工程与自动化学院三级教授、博士生导师马辉的文章,本文系统综述了数字孪生在旋转机械智能故障诊断与剩余寿命预测中的最新进展：首先梳理了面向轴承、齿轮、转子三大部件的高保真建模方法，对比物理模型、现象学模型与数据驱动模型的优劣，并总结参数更新机制；随后深入剖析维纳过程、深度学习与迁移学习如何借助DT生成的仿真数据解决小样本与域差异难题；最后提出在线诊断、轻量化建模、物理-数据融合、强化学习等七大未来方向，并展望DT在智能制造、核电、智慧城市等跨领域的标准化应用前景。 由于文章篇幅过长，小编将分两次为大家翻译介绍这篇论文。第一篇推文系统梳理了数字孪生在旋转机械智能故障诊断与剩余寿命预测中的建模基础：围绕轴承、齿轮、转子三大核心部件，对比物理模型（集中参数、有限元、刚柔耦合）、现象学模型与数据驱动（高斯过程回归）三类建模路线的原理、优劣与适用场景，并归纳了敏感性分析、贝叶斯更新与生成对抗网络三种参数实时更新机制，为后续诊断任务提供高保真虚拟数据源。 本篇推文聚焦DT驱动的诊断与预测落地方法：从维纳过程寿命模型、CNN/LSTM等经典AI算法到微调、MMD、对抗训练、域泛化等五大迁移学习范式，详解如何用小样本仿真数据突破实测数据稀缺瓶颈；继而提出在线诊断、轻量化建模、物理-数据深度融合、强化学习自主优化等七大未来方向，并展望DT在智能制造、核电、智慧城市、轨道交通等跨行业的标准化应用前景。 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: Digital twin-inspired methods for rotating machinery intelligent fault diagnosis and remaining useful life prediction: A state-of-the-art review and future challenges论文期刊：Mechanical Systems and Signal ProcessingDoi：https://doi.org/10.1016/j.ymssp.2025.112770作者: Hui ma(a), Caizi Fan(b), Yongchao Zhang(c)，Qibin Wang(d)，Kun Yu(e)，Zeyu Ma(f) 论文时间: 2025年 机构: a School of Mechanical Engineering and Automation, Northeastern University, Shenyang, Liaoning 110819, PR Chinab Key Laboratory of Vibration and Control of Aero-Propulsion Systems Ministry of Education of China, Northeastern University, Shenyang, Liaoning 110819, PR Chinac State Key Laboratory of Electromechanical Integrated Manufacturing of High-Performance Electronic Equipments, Xidian University, Xi’an 710071, PR Chinad School of Information and Control Engineering, China University of Mining and Technology, Xuzhou, Jiangsu 221116, PR China作者简介：马辉，男，中共党员，1978年9月出生于河北省安平县，工学博士，东北大学机械工程与自动化学院三级教授、博士生导师。2007年在东北大学获机械设计及理论专业博士学位。(来源：ResearchGate） 摘要数字孪生（DT：Digital Twin）技术正成为旋转机械智能故障诊断（IFD：Intelligent Fault Diagnosis）与剩余寿命预测（RUL：Remaining Useful Life）的关键工具，为工业系统的可靠性与运行效率提供了前所未有的支撑。在能源、制造、航天等行业，DT 通过构建物理实体的虚拟镜像，实现实时监测、精准故障诊断与预测性维护。本文梳理了受 DT 启发的 IFD 与 RUL 预测的最新应用，涵盖虚拟数学模型构建、模型参数更新，以及利用深度学习（DL：Deep Learning）技术贯通虚拟数据与真实数据以服务于 IFD 与 RUL 预测。此外，本文识别并讨论了当前 DT 应用的关键挑战：构建高保真模型、满足实时诊断需求、融合物理与数据驱动模型。展望未来，DT 模型的进阶将依赖多模态数据融合（MDF：Multimodal Data Fusion）技术的集成、轻量级模型优化策略的开发，以及强化学习（RL：Reinforcement Learning）在 IFD 与 RUL 预测中实现自主学习与可解释性提升的应用。本文为 DT 在工业场景中的进一步落地提供了关键洞见。 关键词：数字孪生；物理模型；智能故障诊断；旋转机械；深度学习；剩余寿命 目录1 引言 1.1 数字孪生的定义 1.2 研究动机 1.3 论文组织结构2 受数字孪生启发的建模方法 2.1 建模动机 2.2 轴承系统 2.3 齿轮系统 2.4 转子系统 2.5 小结3 数字孪生模型参数辨识与修正 3.1 参数更新动机 3.2 敏感性分析 3.3 贝叶斯方法 3.4 基于GAN的方法 3.5 其他方法 3.6 小结4 数字孪生驱动的故障诊断与RUL预测 4.1 研究动机 4.2 基于维纳过程的方法 4.3 传统AI方法 4.4 基于迁移学习的方法 4.5 小结5 综挑战与未来展望 5.1 四大挑战 5.2 七大未来方向6 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。 4 数字孪生驱动的故障诊断与RUL预测4.1 研究动机随着工业系统日益复杂，对可靠性与性能的需求不断提升，智能故障诊断与剩余寿命预测已成为保障安全高效运行的关键。传统诊断与预测方法往往难以应对旋转机械的动态与非线性特性，尤其在标注数据有限或工况快速变化的场景下更显力不从心。为应对这些挑战，数字孪生技术应运而生，成为变革性解决方案，可实现实时监测、高保真仿真与智能分析在故障诊断及 RUL 预测中的深度融合。数字孪生的核心优势在于，它能够创建与物理装备持续同步的虚拟镜像；该同步机制通过数据驱动与基于物理的建模，实现实时状态监测、故障检测与预测性维护。与传统人工智能故障诊断和剩余寿命预测方法仅依赖历史数据集不同，DT 通过融入实时运行条件并仿真多种失效场景，显著提升预测精度。这一能力使故障诊断与寿命估算在多变工况下更具全面性与适应性。具体而言，DT 辅助的故障诊断受益于多源数据融合、虚拟传感与增强特征提取，从而提升诊断模型的鲁棒性与泛化能力；同样，在 RUL 预测中，DT 借助加速仿真、物理信息学习与域适应技术实现退化建模与寿命估计，显著提高预测精度，使主动维护策略得以更高效地实施。本节对基于数字孪生的故障诊断与剩余寿命预测方法进行结构化综述，将其划分为基于维纳过程的方法、传统人工智能方法以及基于迁移学习的方法；前者利用历史与仿真数据训练的深度学习及机器学习模型，后者则引入跨域知识迁移以应对数据稀缺与域偏移挑战。4.2 基于维纳过程的方法维纳过程（WP：Wiener Process）在机械设备寿命预测中扮演关键角色，其核心优势在于能够模拟随机过程并刻画设备的退化行为 [171–173]。机械设备寿命常受负载波动、环境条件、运行模式等多种不确定因素影响，这些因素难以用确定性模型准确描述；而 WP 通过随机过程方式可有效建模此类不确定性，从而利用当前及历史数据将退化特征转化为设备健康状态或退化程度。WP 退化模型可细分为线性退化模型、非线性退化模型、变退化速率模型与多元退化模型 [174,175]。线性退化模型为传统 WP 退化模型，通常将退化过程描述为 {X(t), t⩾0}，并对此过程建立维纳模型，其表达式为：其中， 为相关系统的初始健康状态； 为漂移参数，表示设备随时间线性下降的趋势； 为随机波动的强度； 为标准布朗运动。 为对维纳过程进行离散化，选取时间节点( =0< < < )，并在这些时刻提取对应的退化状态值 。若系统寿命记为 ，健康系统的失效值为 ，则当 达到失效阈值 时系统失效，对应的系统寿命可表示为： t:X(t) < }1980 年至 2010 年间，传统机器学习方法主要被采用于 IFD；自 2010 年起，研究重心转向基于深度学习的 IFD。除在 IFD 中的应用外，深度信念网络（DBN：Deep Belief Network）、卷积神经网络（CNN：Convolutional Neural Network）与循环神经网络（RNN：Recurrent Neural Network）等基于深度学习的方法亦被广泛用于 RUL 预测 [24–28]。众所周知，深度学习模型需大量数据集以学习并自动识别数据中的潜在模式与关联 [29]。当样本数量不足时，模型常对训练数据过拟合，致使其泛化能力下降。然而，在工程实践中，收集足够数量的故障样本通常需耗费大量人力、财力与时间资源，且某些故障的发生概率往往极低 [30–36]。因此，对于 IFD 与 RUL 预测，故障数据或退化数据的获取面临相同挑战：实际机械设备缺少或几乎没有相关实测数据。随着工业向更智能、更自主的系统演进，对设备健康状态进行监测、对故障进行实时诊断、并主动预测失效已变得不可或缺。DT 技术通过将实时数据与先进计算模型相融合，为关键机械当前及未来的运行状态提供洞察，从而给出强有力的解决方案 [37–39]。DT 技术的核心目标，是构建能够刻画物理实体动态行为的精准虚拟数学模型；该思路直击 IFD 与 RUL 预测中普遍遭遇的数据匮乏难题。物理模型可通过数值仿真为 IFD 与 RUL 预测提供充足数据；然而，现有物理模型对复杂结构仍包含过多假设与简化，只能定性反映系统特征，难以完整复现由载荷及参数退化引起的特性变化。为克服上述局限，DT 技术被提出作为能够镜像物理实体状态的动态仿真手段。通过将物理模型与实时数据、传感器更新及运行历史相融合，DT 技术可对系统行为做出更全面、更精准的表征 [40–42]。本文综述 DT 在旋转机械中的最新应用，聚焦 IFD 与 RUL 预测；同时指出 DT 系统落地面临的关键挑战，并勾勒将塑造这一变革性技术未来发展的研究方向。4.3 传统AI方法近年来，人工智能技术的显著进步极大推动了工业诊断的发展；先进的 AI 技术能够从数字孪生模型提供的仿真数据中提取复杂模式与特征，从而拓展故障诊断与剩余寿命预测的应用场景。由前述综述可见，当前针对滚动轴承与齿轮的 DT 技术研究极为广泛，基于 DT 的滚动轴承与齿轮故障诊断及 RUL 预测亦受到广泛关注。例如，Sobie 等 [61] 建立仿真驱动的滚动轴承故障诊断方法，采用卷积神经网络识别内圈故障、外圈故障及正常状态；Li 等 [66] 提出基于焦点调制机制的 CNN，从仿真数据中学习局部-全局表征，实现对实测数据的故障诊断；Liu 等 [79] 构建 DT 框架以解决数据不足或不均衡问题，采用互映射参数优化方案实现轴承故障诊断；Wang 等 [83] 基于轴承 DT 模型建立故障概率预测模型，指导维护计划制定；Farhat 等 [87] 提出转子-球轴承系统数值模型，提升机器学习模型的诊断精度；Gao 等 [91] 提出基于有限元模型的 AI 故障诊断方法，应对数据缺失或不足问题；Lu 与 Li [100] 提出基于 DT 与长短期记忆网络（LSTM：Long Short-Term Memory）的轴承 RUL 预测方法，并利用粒子群优化算法进一步提升模型预测性能；Dibaj 等 [102] 建立主成分分析与 CNN 相结合的轴承故障诊断方法；Zhang 等 [112] 提出改进堆叠自编码器模型，实现仿真数据辅助的轴承故障诊断。在齿轮方面，Wang 等 [118] 建立了齿轮故障诊断人工智能模型，将仿真数据与实测数据等量混合构成样本矩阵用于 AI 训练。Bachar 等 [121] 提出将机械部件物理故障与 AI 相结合的齿轮故障诊断方法。Zheng 等 [124] 提出基于卷积神经网络的摆线针轮减速器智能故障诊断方法，以仿真样本作为训练数据解决数据不足问题。Yu 等 [125] 提出参数化 CNN 实现齿轮模型嵌入式故障诊断，利用仿真数据优化特征以识别实测数据故障状态。Liu 等 [127] 基于有限元模型仿真数据，建立极端学习机齿轮故障诊断方法。Xia 等 [132] 建立基于 CNN 的齿轮故障诊断方法，通过在训练过程中加入仿真数据提升网络齿轮诊断性能。Yu 等 [133] 先从实测与仿真数据中提取并筛选特征，再通过特征匹配实现齿轮故障诊断。Song 等 [168] 提出基于 CNN-ResNet分类器的机器人关节齿轮 DT 辅助故障诊断方法。Gao 等 [189] 提出基于典型 AI 分类器的仿真数据辅助齿轮故障诊断方法。基于数值仿真获得的仿真数据，Koutsoupakis 等 [141] 开发了面向齿轮传动系统的卷积神经网络智能故障诊断方法。Bobylev 等 [153] 针对原位机器建立了基于深度学习的支承刚度辨识方法，其中采用仿真数据训练模型。Gao 等 [156] 提出融合典型人工智能分类器的混合方法，利用有限元模型仿真数据诊断转子-轴承系统故障。Zhu 等 [157] 提出仿真数据辅助的深度残差卷积神经网络，实现柔性轴系故障诊断。4.4 基于迁移学习的方法DT 模型可为复杂机械提供仿真数据，并利用仿真数据监测其健康状态；然而需注意的是，生成的仿真数据与真实测量数据在特征分布上存在差异，其成因如下：1）由于仿真技术限制，DT 模型构建需对边界条件做出一定理论假设与简化约定，导致模型过于理想化；2）监测信号数据测量过程中，随机干扰或人为操作误差等因素亦不可避免。这些分布差异会显著影响基于深度学习模型的诊断精度与预测性能，因此特征分布不一致给 DT 在实际工业应用中的智能故障诊断与剩余寿命预测带来了障碍。为解决特征分布差异问题，多种基于迁移学习的跨域故障诊断方法被引入以增强数字孪生模型的能力 [190–193]；这些方法允许将仿真数据中获得的知识迁移并适配至实测数据。现有基于 DT 的跨域故障诊断方法主要遵循五种范式：微调方法、统计矩匹配方法、对抗训练方法、混合方法与域泛化方法，具体细节汇总于表 5。表5 不同迁移学习方法的总结 4.4.1 微调微调方法旨在从相似任务或数据集中获取预训练模型参数，使网络更好地适应当前任务。例如，Dong 等 [64] 提出基于动态模型的轴承故障诊断微调方法，采用卷积神经网络实现参数迁移策略；Xie 等 [67] 建立基于参数迁移策略的微调方法，在故障样本有限的情况下实现轴承故障诊断；Zhao 等 [97] 构建卷积长短期记忆网络，将训练好的模型迁移至真实轴承剩余寿命预测；Zhang 等 [99] 首先建立网络以提升特征提取性能，随后将训练好的模型迁移至实测数据，实现真实轴承故障诊断；Hou 等 [113] 开发用于轴承故障诊断的多头注意力卷积神经网络，首先提取关键诊断知识，再通过实测数据进一步测试模型。4.4.2 统计矩匹配统计矩匹配（SMM：Statistical Moment Matching）方法利用统计矩度量源域与目标域在高维空间中的特征分布差异，通过持续更新模型内部参数以缩小两域间的统计矩差异；该方法以最大均值差异（MMD：Maximum Mean Discrepancy）（见图 28）等统计矩对齐为核心手段，实现知识迁移。 图28 基于MMD的TL方法近年来，SMM 方法已被广泛用于跨域诊断与预测任务：Liu 等 [84] 建立基于加权局部最大均值差异的子域适配模型，将诊断知识从仿真数据迁移至实测数据，实现两域共享空间的类级对齐；Ming 等 [82] 提出频域滤波子域自适应网络，实现仿真数据与测量数据间的特征迁移；Li 等 [74] 构建基于堆叠离散小波的迁移学习网络；Xu 等 [57] 将判别图学习网络与 MMD 结合，利用无标签工业数据实现轴承故障诊断；Zhang 等 [194] 提出动态模型辅助的轴承剩余寿命预测方法，设计基于多层 MMD 损失的 Transformer网络，实现从仿真数据到实测数据的跨域预测；Feng 等 [123] 提出受数字孪生启发的齿面退化评估方法，采用基于 MMD 的域适应方法提升 RUL 预测精度；Song 等 [136] 提出带注意力机制的一维卷积神经网络域适应模型，用于仿真数据驱动的行星齿轮箱故障诊断，其中联合分布适配被用作域适应学习的度量损失。Yan 等 [137] 建立子域自适应机制，用于对齐仿真数据与实测数据的细粒度特征，其中局部最大均值差异被用作度量损失。Xiang 等 [151] 提出多核最大均值差异域适应模型，用于跨域裂纹转子故障诊断，并在目标域设计双分类器以进一步提升诊断性能。Cui 等 [76] 设计图拉普拉斯最大均值差异，并将其应用于模型训练，增强图域差异识别能力，从而有效训练剩余寿命预测模型。4.4.3 对抗训练对抗训练（AT：Adversarial Training）方法旨在欺骗域判别器（domain discriminator），在仿真与实测数据的共享特征空间内制造域混淆（见图 29）。此类模型的主要组件包括特征提取器、域判别器与预测器。在 AT 过程中，域判别器的作用是在高维空间尽可能准确地判定特征所属域；通过在高层特征层引入梯度反转层（GRL：Gradient Reversal Layer），域判别器无法准确判断高维空间中的特征来自源域还是目标域，从而使生成器在高维特征空间缩小源域与目标域数据的特征分布差异。通过交替更新域判别器与特征提取器的内部参数，使源域与目标域特征在共享高维特征层中混淆，实现特征的域不变性。 图29 基于AT的TL方法近年来，基于对抗训练的跨域诊断与预测方法亦得到广泛研究：Cheng 等 [53] 建立滚动轴承动态模型辅助的剩余寿命预测方法，利用域判别器缩小局部分布差异，生成全周期退化数据与不完全数据；Xu 等 [63] 提出基于轴承动态模型与生成对抗网络的小样本故障诊断方法；Xie 等 [69] 开发基于对抗学习的域适应方法，结合动态模型实现轴承故障诊断；Jiang 等 [72] 采用堆叠自编码器网络与基于 Wasserstein 距离的迁移策略，自动从仿真信号中学习知识，并成功迁移至不同工况下的诊断任务；Peng 等 [105] 从全局与局部视角动态对齐域分布，显著提升非平稳工况下无标签真实数据的故障诊断精度；Liu 等 [70] 建立循环一致性生成对抗网络，将仿真信号修正为接近真实信号，解决轴承故障数据缺失问题；Zhang 等 [49] 提出基于 AT 的部分域适应网络，允许实测数据的故障模式少于仿真数据；Yu 等 [85] 提出弱监督对抗网络用于滚动轴承跨域故障诊断，利用有限标注样本训练诊断模型（见图 30）。Lou 等 [92] 基于有限元模型获得的仿真数据，提出利用 GAN 实现齿轮与轴承跨域故障诊断；Zhao 等 [96] 将 CycleGAN与 Wasserstein 距离结合，缩小域分布差异，实现小样本条件下的轴承 RUL 预测。Liu 等 [103,104] 提出基于 AT 的轴承故障诊断方法，将唯象模型获得的仿真数据诊断知识迁移至实测数据。Wang 等 [111] 开发面向滚动轴承的增强条件域对齐不平衡鲁棒跨域智能故障诊断方法。Lou 等 [128] 提出基于 AT 的部分域适应网络，用于齿轮与轴承故障诊断。Song 等 [135] 引入多域判别器域适应模型实现齿轮故障诊断，并设计加权学习方案实现部分域适应。Xia 等 [131] 提出部分域对抗网络，主要用于缩小虚拟空间与物理空间之间的数据差异。 图30 基于AT的TL方法弱监督对抗网络[ 80 ]4.4.4 统计-对抗融合方法鉴于统计矩匹配（SMM：Statistical Moment Matching）方法与对抗训练（AT：Adversarial Training）在跨域诊断与剩余寿命预测领域的显著效果，基于二者融合的域适应方法亦得到广泛研究。Xu 等 [63] 首先建立多智能体多样化生成对抗网络，实现仿真数据与实测数据间的转换，随后利用条件最大均值差异与 AT 完成跨域故障诊断。Feng 等 [65] 提出一种 DT 赋能的域对抗图网络，同步采用 MMD 损失与 AT 以缩小域分布差异。Xiao 等 [86] 设计联合 MMD 损失与 AT，同步对齐仿真数据与实测数据的边际分布与条件分布。Zhao 等 [98] 提出基于 DT 的多源回归对抗域适应方法用于轴承 RUL 预测，通过 MMD 损失与 AT 实现组内与组间对齐策略。Zhu 等 [106] 建立仿真数据驱动的轴承故障诊断方法，利用局部 MMD 与对抗学习同时对齐边际分布与条件分布。Li 等 [119] 提出卷积神经网络实现基于动态模型的行星齿轮箱故障诊断，采用 Wasserstein 距离与对抗学习对齐两域特征分布。Xie 等 [77] 将类对比损失与 MMD 结合，为模型提供类级对齐，从而提升精度。4.4.5 域泛化域泛化指模型在训练阶段未见过的域或分布上仍能表现良好的能力；其目标是使模型更具适应性，无需大量重训练或调整即可在新域上取得优异性能（见图 31）。在数字孪生智能诊断模型应用中，域泛化尤为重要，因为它可直接解决虚拟数字模型输出的仿真信号与物理环境监测信号特征分布差异的问题。目前，元学习方法被视为实现域泛化的途径，众多学者已成功将这些方法应用于多种工况下的诊断模型 [195–198]。例如，Xin 等 [199] 开发了用于智能故障诊断的标签-描述空间嵌入模型，可用于对未见复合故障进行零样本智能诊断；Xu 等 [200] 提出卷积孪生神经网络，从成对样本中提取故障特征；Feng 等 [201] 引入挤压-激励注意力的半监督元学习网络，用于小样本故障诊断。 图31 领域适应和领域泛化图解 ( a )领域自适应( b )领域泛化然而，当前将元学习应用于仿真信号与真实测量信号诊断的研究仍十分有限；经 文献检索，仅发现以下两项工作：Ma 等 [101] 提出增强元迁移学习模型，实现仿真与实物间的轴承故障诊断；Fan 等 [126] 开发基于度量的增强元学习模型，用于齿轮箱故障诊断，该模型在未见域中仍展现出有效诊断性能。综上，域泛化在数字孪生技术领域的应用仍有待深入研究。4.4.6 其他方法除上述常见迁移学习方法外，亦有其他 TL 方法得到应用：Zhang 等 [90] 提出跨域干扰属性投影，以最小化仿真与实测数据间的特征分布差异；Ai 等 [110] 基于唯象模型获得的仿真数据，开发一种基于隐马尔可夫模型的域不变数据变换方法，实现滚动轴承跨域故障诊断；Deng 等 [80] 将贝叶斯深度对决网络与对抗学习相结合，选择性识别对剩余寿命预测最具信息量的数据。总体而言，数字孪生技术可构建物理系统的高保真虚拟模型，实现设备运行状态的实时监测与预测分析，为智能故障诊断与剩余寿命预测提供宝贵的先验知识与高质量仿真数据，有效缓解实际工程中的数据稀缺难题。同时，引入迁移学习技术，将仿真数据中获得的知识或训练成果迁移至真实系统，实现源域与目标域特征空间的映射与对齐，显著提升模型在不同工况或不同设备下的 IFD 与 RUL 预测能力。4.5 小结本节系统综述了受数字孪生启发的智能故障诊断与剩余寿命预测方法，涵盖传统人工智能方法及各类迁移学习方法；这些方法在应对滚动轴承、齿轮、转子系统等复杂系统的 IFD 与 RUL 预测挑战中展现出巨大潜力。从利用仿真数据的传统 AI 方法到创新的 TL 技术，DT 模型实现仿真与实测数据的融合，从而提升各类工业应用中的诊断精度与预测性能。表 6 对这些方法进行了汇总，清晰展示了它们在轴承、齿轮、转子系统 IFD 与 RUL 预测中的具体应用。表6 不同故障诊断方法总结 在传统人工智能方法中，卷积神经网络与长短期记忆网络等模型已被广泛采用，以利用仿真数据提升智能故障诊断与剩余寿命预测性能；然而，当生成数据与实测数据存在分布差异时，这些方法面临局限。为克服该挑战，研究者提出基于迁移学习的方法，包括微调、统计矩匹配、对抗训练及混合方法；这些方法通过将诊断知识从仿真迁移至真实数据，展现出更强的适应性。域泛化及其他新兴方法也为解决仿真与真实数据分布差异提供了有前景的方向。总之，受数字孪生启发的智能故障诊断与剩余寿命预测方法的持续发展，正为提升工业系统的可靠性与性能开辟新路径；将先进人工智能技术与 DT 模型深度融合，在未来的研究中具有巨大潜力，特别是在提升跨域诊断能力、鲁棒性与真实工业场景适应性方面。5 挑战与未来展望前文对已发表文献中数字孪生辅助方法在智能故障诊断与剩余寿命预测中的研究与应用进行了系统梳理与回顾。基于上述文献分析，下文归纳并展望 DT 技术在旋转机械 IFD 与 RUL 预测领域所面临的挑战及未来潜力。5.1 挑战Q1：如何构建高保真的 DT 启发模型？鲁棒的数值模型是数字孪生技术的骨架。然而，现有绝大多数面向 DT 的数学模型均在理想化条件下建立，忽视了机械设备在真实工况中面临的严苛现实：噪声、极端温度、化学腐蚀及其他环境干扰会显著影响机械运行性能；此外，设备失效往往由多种故障耦合引起，而当前模型多聚焦于稳态单故障场景，忽略了轴承与齿轮同时失效等复合故障的复杂性。旋转机械的长期运行还会带来磨损、老化等额外挑战，进一步加剧系统动态特性的不确定性，使模型精度下降。因此，现有数学模型普遍过于简化，难以准确刻画真实系统的复杂行为。同时，"高保真"尚无量化阈值标准；常用评价指标如皮尔逊相关系数和均方根误差虽可提供参考，但不足以全面定义高保真模型。未来亟需建立融合不确定性量化与物理模型验证的多维、情境感知评价体系，以推进 DT 技术的标准化与工程落地。此外，受现场测量条件限制，关键参数往往难以获取，导致数学模型与真实运行状态存在偏差。因此，未来研究应在建模阶段充分纳入真实工程条件，并探索先进测量技术与方法，以缩小模型与实测性能之间的差距。Q2：在线故障诊断技术的需求。现有 DT 启发模型大多属于离线智能故障诊断与剩余寿命预测范畴：依赖实验室故障模拟试验台或工业现场历史数据集，通过预训练模型完成设备状态评估与故障预测。此类方法侧重离线数据分析，缺乏实时监测与动态反馈能力，偏离 DT 技术对实时性的核心要求。实际工业中，设备运行状态受复杂工况、负载波动及环境因素耦合影响，仅凭历史数据难以及时捕捉突发故障，故亟需具备在线监测与诊断能力的技术，可在真实工业场景下实时分析生产数据并即时告警。在线故障诊断技术通过实时数据采集与智能分析持续监测设备健康状态，精准识别潜在故障 [202–204]，通常依托先进传感网络、边缘计算或云计算平台实现高效数据处理与快速响应，一旦异常即可发出早期预警信号，保障生产过程安全稳定。Q3：在线故障诊断技术的需求。高保真模型虽能精确刻画复杂机械系统的动态响应，却因引入更多物理参数而显著增加计算资源需求，模型精度与计算效率之间存在天然矛盾。在工业现场实时响应需求与可用计算能力双重约束下，必须对模型精度与计算效率进行精细优化以取得平衡。此外，当代深度学习模型训练高度依赖高性能图形处理单元，带来沉重硬件负担，成为工业落地壁垒。为突破限制，研究者正积极探索轻量化模型架构，在保持诊断精度的同时降低参数复杂度，从而显著减少对硬件的依赖，使模型更适应资源受限的工业场景。借助这些进展，DT 辅助模型在旋转机械智能故障诊断与剩余寿命预测任务中的可部署性将大幅提升，且无需牺牲其有效性。Q4：如何将物理模型和数据驱动建模进行有效的融合。当前将物理模型与数据驱动方法融合的研究表明，现有文献多采用迁移学习对数学模型生成的虚拟信号进行调整，或利用生成对抗网络重新生成仿真信号；尽管这些方法可在一定程度上缩小仿真与真实信号的分布差异，但仍未能赋予系统真正的自主学习能力。为提升适应性，未来模型应引入基于实时运行数据的动态参数更新机制，使其在运行过程中对物理系统的变化做出有效响应；通过构建自主学习框架，可增强数学模型的灵活性，使其更真实地反映物理系统实际状态，进而提高预测精度。此类进展将催生更具韧性与适应性的数字孪生技术，能够从运行环境中持续学习，从而强化其在智能故障诊断与剩余寿命预测中的实用性。5.2 未来展望数字孪生技术通过实时监测与预测分析，在提升设备运行效率与可靠性方面具有变革性潜力。DT 可持续分析运行数据，及时识别异常状态与失效征兆，实现快速干预；同时，DT 生成的仿真数据可高度还原真实场景，显著提升故障诊断的准确性与实用性。该技术不仅能预测设备未来性能与失效概率，还可支撑主动维护策略，最大限度减少停机时间与生产损失。未来，需重点推进以下关键发展：1）全面数据集成与多模态融合：整合振动、温度、压力等多源传感器数据，可实现设备健康的全景评估。未来研究应聚焦多模态融合技术，建立各物理场间的稳健映射，并将外部环境因素纳入数学模型。2）轻量化数学建模与参数优化：通过参数贡献分析创建轻量化模型，仅对最具影响力的参数进行实时更新；可采用平衡截断在降维的同时保留核心动态特性，亦可利用代理模型直接从数据学习系统动力学，减少对物理机制的依赖并提升计算效率。同时，部署轻量化深度学习模型与知识蒸馏，在保持精度的前提下降低计算需求，使数字孪生技术更适用于资源受限环境 [205–207]。3）基于强化学习的自主学习：将 RL 融入 DT 框架，使模型能够依据实时反馈自主调整参数，增强适应性与预测精度。与传统深度学习不同，RL 通过环境的反馈奖励机制学习最优行为策略，完成决策过程；其可利用 DT 模型提供的虚拟数据实时优化故障诊断策略。借助深度 Q 网络等算法，智能体在虚拟模型中训练，逐步发现并评估不同故障工况下的运行决策，从而优化故障检测流程。RL 还可根据实际运行条件自适应调整预测策略，随着新数据的持续注入，提升系统面对不确定性与异常时的鲁棒性；引入可解释模型将进一步增强用户对系统决策的信任与理解。4）实时预测性维护：为满足工业生产对实时数据处理的需求，可将传统卡尔曼滤波与深度学习模型相融合，形成创新解决方案 [211–213]。凭借卡尔曼滤波计算成本低、实时性强的优势，通过融合系统动力学模型与多源传感器测量值，实时估计系统状态参数（如设备振动频率、温度变化），并生成观测值与预测值之间的残差序列；该残差序列不仅反映系统状态偏差，也为深度学习模型提供高质量输入数据。此外，卡尔曼滤波具备显著的噪声抑制与信号增强能力 [214,215]。在旋转机械、电机、轴承等工业设备故障诊断过程中，采集到的振动、声发射或电流信号常包含大量环境噪声与测量误差；卡尔曼滤波凭借其递归估计特性，可有效区分测量噪声与真实状态信号，从而提升故障信号质量。5）云-边协同增强：云计算与边缘计算融合可显著提升 DT 在故障诊断中的协同能力。云端依托历史数据与大规模优化算法，提供更精准的预测性维护建议，并将优化模型下发至边缘设备；边缘侧利用轻量化模型或规则引擎完成初步诊断，必要时将数据上传至云端进行深度分析。该混合模式实现实时数据处理与分析，提升 DT 应用的响应速度与可扩展性 [216–218]，使企业能够无缝适应不同运行环境，增强灵活性。6）跨域应用与标准化：DT 技术的跨域应用潜力亟需标准化框架与协议支撑，以促进互操作性与知识共享，最终在多行业实现高效落地。传统闭集迁移诊断方法存在显著局限，无法有效识别目标域可能出现的未知故障类型。工业场景中，设备运行工况与系统状态常呈动态多变特性；开集学习通过构建自适应在线学习框架，可持续捕捉并适应新出现的故障模式，有效避免模型对特定故障模式的过拟合，显著提升诊断系统的泛化性能，使其在复杂动态工业环境下具备更强适应性与鲁棒性。7）设备故障知识图谱构建：工业场景下，设备运行与维护产生多样化、多源异构数据，包括实时运行参数、维护记录、故障追踪信息及操作员日志等。由于数据来源多样、结构差异显著，难以有效关联整合。基于自然语言处理（NLP：Natural Language Processing）技术的大型语言模型（LLM：Large Language Model）可深度解析非结构化数据，并将其转化为结构化知识体系用于分析与预测；通过领域自适应微调，LLM 能够识别设备故障潜在模式及其演化趋势，并依托强大的领域知识库构建智能问答系统，自动生成易懂的自然语言分析报告，直观呈现设备运行状态与预测分析结果，为技术人员提供实时故障诊断支持，显著提升决策效率，推动故障预测与健康管理领域人机协同向更高智能化演进。通过把握上述未来发展方向，DT 技术将显著提升旋转机械故障诊断与 RUL 预测能力，驱动工业场景运行效率与可靠性迈上新台阶。此外，DT 技术的应用价值已超越旋转机械领域，延伸至众多关键工业场景，展现出显著的技术优势与创新潜力：在智能制造中，为复杂装配工艺提供虚拟调试与优化平台 [219,220]；在核电装备领域，实现关键设备全生命周期监测与安全评估 [221–223]；在智慧城市建设中，虚拟城市模型支撑基础设施管理、环境监测、交通优化与灾害应急响应，提升城市运行效率、优化资源配置、推进城市治理智能化 [224–226]；在智能矿山发展中，支持地下作业环境实时仿真与安全预警 [227,228]；在铁路工程领域，为轨道基础设施智能运维提供创新解决方案 [229,230]。这种跨域通用性充分彰显了 DT 技术在现代工业体系中的战略价值。6 结论数字孪生技术的进步为旋转机械的智能故障诊断与剩余寿命预测带来了重大机遇与挑战。本文系统综述了 DT 在 IFD 与 RUL 预测中的实施路径，详细阐述了虚拟模型构建、模型参数更新及深度学习技术融合的方法论，为提升 DT 在 IFD 与 RUL 预测中的适应性与有效性提供了关键洞察。针对 DT 技术落地面临的核心障碍，本文指出三大主要挑战：高保真模型开发需求、实时诊断紧迫性以及物理模型与数据驱动方法的有效融合；每一项挑战亦孕育独特创新机遇，为未来研究指明方向。后续研究应优先探索以下解决路径：建立行业标准、开发轻量化且可自适应的 DT 模型、实施多模态数据融合技术；此外，利用强化学习实现自主学习并提升模型可解释性，将显著增强故障诊断与 RUL 预测能力。综上所述，本文系统梳理了数字孪生在旋转机械智能故障诊断与剩余寿命预测中的研究现状，指出需持续研究与创新以充分释放 DT 技术潜力。通过克服现有挑战并建立标准化框架，DT 技术的深度融合将推动各类工业应用迈向更可靠、高效、智能的新阶段。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