综述：胶囊网络在智能故障诊断中的应用进展与挑战

这篇综述系统梳理了2018-2025年胶囊网络（CapsNets）在智能故障诊断（IFD）领域的研究进展，重点分析了其理论框架、应用领域（机械故障诊断占比75.2%）、模型优化方法（如动态路由机制改进），并指出当前面临的训练效率低、样本质量不足等五大挑战，同时提出轻量化算法设计、多模态数据融合等六大未来发展方向。

　　

胶囊网络在智能故障诊断中的革命性应用

理论框架与核心优势

胶囊网络（CapsNets）通过向量神经元替代传统标量神经元，采用动态路由机制（Dynamic Routing）保留空间层级信息，解决了卷积神经网络（CNN）池化操作导致的特征丢失问题。其核心结构包含卷积层、初级胶囊层和数字胶囊层，其中动态路由通过耦合系数迭代更新（公式(3)-(6)）实现特征的高效传递，而Squash函数（公式(5)）确保输出向量长度在[0,1)范围内。

应用领域全景

1. 机械故障诊断（MFD）：占比75.2%，轴承故障（35.6%）和齿轮故障（6.9%）是主要研究对象。例如，WavCapsNet通过小波卷积核提取可解释特征，复合故障诊断准确率达99.96%。
2. 电气设备：占比16.8%，如高压断路器诊断中，1D注意力卷积CapsNet在小样本场景下实现96.8%准确率。
3. 新兴领域：医疗（骨折诊断准确率95.01%）和能源（管道泄漏检测准确率>95%）逐步拓展。

关键技术突破

• 样本优化：多尺度残差GAN（MsR-GAN）生成合成样本，解决数据不平衡问题。
• 动态路由改进：EFLightCaps采用特征聚焦路由机制，噪声环境下（SNR=-6dB）仍保持80.79%准确率。
• 可解释性增强：WDACN通过梯度评分类激活映射（GS-CAM）可视化故障特征注意力分布。

挑战与未来方向

当前瓶颈包括训练效率低（动态路由迭代耗时）、胶囊冗余（“胶囊拥挤”现象）。未来需聚焦：

1. 轻量化设计：通道压缩技术减少60%参数量。
2. 多模态融合：有效坐标注意力（ECA）模块降低80%参数开销。
3. 数字孪生集成：通过有限元分析（FEA）与CapsNet联合建模，提升故障预测物理可解释性。

工业落地前景

边缘部署（如Jetson Xavier NX平台）和实时诊断将成为重点，而标准化评估协议的建立将加速技术产业化进程。