综述：基于振动信号的轴承故障诊断的机器学习和深度学习方法综述：需求、挑战与潜在未来研究方向

本综述系统回顾了基于振动信号的滚动轴承故障诊断中机器学习（ML）与深度学习（DL）方法的最新进展。文章不仅涵盖了传统ML算法（如SVM、kNN）与先进信号处理技术的融合，更深入探讨了新兴的图神经网络（GNN）、深度强化学习（DRL）以及Transformer架构等前沿方向。特别聚焦于自动化特征提取、可解释性AI（XAI）及跨域迁移学习等核心挑战，为开发高精度、高鲁棒性的智能诊断系统提供了全面的技术路线和未来展望。

　　

引言

旋转机械是工业设备的核心，其可靠运行对保障生产安全和效率至关重要。滚动轴承（REBs）作为关键部件，通过减少摩擦来确保精密运动，其故障可能引发灾难性设备损坏。传统振动信号诊断方法依赖专家经验或简单规则，易受背景噪声和传感器安装位置影响，诊断精度有限。

轴承数据集

数据是机器学习和深度学习方法的基石。由于轴承自然退化过程漫长，研究多采用人工诱导故障或加速寿命试验获取数据。一些机构公开了轴承故障数据集，如凯斯西储大学（CWRU）轴承数据集、帕德博恩大学轴承数据集、PRONOSTIA和智能维护系统（IMS）数据集，为算法开发和评估提供了基础。

数据增强技术

基准数据集存在局限性，如CWRU中的人工诱导故障和数据泄漏问题，以及帕德博恩数据集中轴承重复使用导致的相似性偏差。为应对数据稀缺和类别不平衡，数据增强技术被广泛应用，包括生成对抗网络（GANs）、变分自编码器（VAEs）等生成模型，以及添加噪声、时间扭曲等信号变换方法，以扩充数据集并提升模型泛化能力。

特征提取技术

特征提取是智能故障诊断的关键预处理步骤，将振动信号转换为能捕捉故障本质的特征表示。传统方法依赖于信号处理技术，从时域（如均方根、峭度）、频域（如快速傅里叶变换FFT）和时频域（如小波包变换WPT、经验模态分解EMD）中提取特征。深度学习的优势在于能自动从原始振动信号中学习层次化特征表示，避免了繁琐的人工特征工程。

机器学习算法

机器学习方法从数据中提取信息，利用样本学习模式后进行预测。在轴承故障诊断中，振动信号首先通过信号处理技术进行特征提取，然后采用k近邻（kNN）、支持向量机（SVM）、人工神经网络（ANNs）、极限学习机（ELM）和基于决策树的方法（如随机森林）等算法进行分类。这些方法的性能在很大程度上依赖于特征提取的质量。

深度学习技术

深度学习是机器学习的一个分支，利用多层数据处理单元自动学习数据的多层抽象表示。其在轴承故障诊断中的应用主要包括：

• •

  卷积神经网络（CNNs）：擅长处理振动信号的局部模式和空间依赖性。

• •

  深度信念网络（DBNs）和自编码器（AEs）：用于无监督特征学习和降维。

• •

  循环神经网络（RNNs）：尤其是长短期记忆网络（LSTMs）和门控循环单元（GRUs），适用于处理振动信号的时间序列特性。

• •

  生成对抗网络（GANs）：用于生成合成数据以解决数据不平衡问题。

• •

  图神经网络（GNNs）：一种新兴技术，将振动信号或其特征表示为图结构数据，能有效捕捉传感器网络中的空间关系和非欧几里得依赖关系。

• •

  深度强化学习（DRL）：将强化学习（RL）与深度学习结合，用于优化模型结构和超参数，适应动态环境。

• •

  注意力机制与Transformer架构：通过自注意力机制捕捉信号中的长程依赖关系，提升模型性能。

• •

  可解释人工智能（XAI）：集成SHAP、Grad-CAM、LIME等技术，揭示ML和DL模型的决策过程，提高其透明度和可信度。

• •

  迁移学习策略：从简单的域适应发展到复杂的多对抗框架，解决模型在不同操作条件下的泛化问题。

挑战与未来研究方向

尽管ML和DL算法在故障分类中表现出色，但仍面临诸多挑战：

• •

  数据不平衡与稀缺：真实工业环境中故障数据稀少，导致模型偏向多数类。

• •

  领域可转移性：在特定操作条件下训练的模型在新条件下性能下降。

• •

  实时实现约束：复杂DL模型的计算需求高，难以在资源有限的边缘设备上部署。

• •

  早期故障检测：故障萌生阶段信号微弱，难以从强背景噪声中检测。

  未来研究应聚焦于：

• •

  物理信息驱动方法：将领域知识融入模型，提升其物理一致性和泛化能力。

• •

  多模态传感器融合：结合振动、声学、热成像等多源数据，提供更全面的故障视图。

• •

  轻量级架构：开发适合边缘部署的紧凑模型，满足实时监控需求。

• •

  持续与元学习：使模型能够从少量样本中持续学习并适应新任务。

结论

本综述全面回顾了基于振动信号的轴承故障诊断中的ML和DL方法。尽管传统方法广泛应用，但其在准确性、专家依赖性和环境敏感性方面存在局限。智能诊断系统通过自动化特征提取和分类，提供了更强大的解决方案。新兴技术如GNNs、DRL、注意力机制和XAI正推动该领域向前发展。未来的成功取决于解决数据挑战、提升模型可解释性，并开发能适应现实工业动态的高效、鲁棒系统。