数据驱动智能故障诊断技术应用与实践

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

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

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

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

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

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