综述:涡轮机械预测性维护中数据驱动与物理信息融合方法的系统综述

《Machines》:A Closed-Form Inverse Kinematic Analytical Method for a Humanoid Seven-DOF Redundant Manipulator Guojun Zhao, Ben Ye, Yunlong Tian, Juntong Yun, Du Jiang and Bo Tao

【字体: 大 中 小 】 时间:2026年04月13日 来源:Machines 2.5

编辑推荐:

  在工业5.0范式下,关键资产的管理需要先进数字架构以保障韧性与运行可持续性。本系统综述分析了涡轮及旋转机械预测性维护(PdM)技术的现状,对异常与故障检测框架进行了技术检视,并延伸至剩余使用寿命(RUL)估计与根因分析(RCA)。研究涵盖了从高维多元时间序列(

  
在工业5.0范式下,关键资产的管理需要先进数字架构以保障韧性与运行可持续性。本系统综述分析了涡轮及旋转机械预测性维护(PdM)技术的现状,对异常与故障检测框架进行了技术检视,并延伸至剩余使用寿命(RUL)估计与根因分析(RCA)。研究涵盖了从高维多元时间序列(MTS)处理到标注数据稀缺及真实环境中信号非平稳性等行业固有挑战。研究人员批判性地评估了纯数据驱动框架与混合物理信息模型(如物理信息神经网络,PINNs)在性能指标上的表现。本研究的重要贡献在于依据方法对实时推理的就绪程度进行分类,并强调可解释人工智能(XAI)在为领域专家提供透明洞见中的作用,这些专家仍是决策过程的核心。本综述的主要目标是对当前技术进展与现存技术缺口提供分析性概览,并勾勒清晰的未来发展路径。在此背景下,采用生成式人工智能与大语言模型(LLMs)被视为向交互式、以人为本的决策支持系统演进的关键步骤。

1. 引言

1.1 研究动机

近年来,预测性维护(PdM)在制造业尤其是涡轮机械领域日益普及,该领域已从人工振动监测发展为基于人工智能的先进数字架构,契合工业5.0所倡导的人本、可持续与韧性理念。PdM通过实时数据与高级分析持续监控设备状态,能够早期识别潜在问题并实现及时精准干预,从而减少非计划停机、延长资产寿命并降低维护成本。研究表明,从基于状态的维护(CBM)转向全预测性策略可使风力涡轮机停机时间减少70–75%、维护成本降低20–50%;在通用旋转机械中,PdM可实现停机时间减少50%、维护成本较传统预防性维护降低8–12%,同时提升资产寿命、操作人员安全性与电厂整体可靠性。然而,涡轮机械的PdM应用面临独特挑战:其故障模式包括金属退化(蠕变、高周疲劳HCF与低周疲劳LCF)、腐蚀与侵蚀,以及转子动力学异常(质量不平衡、轴不对中与摩擦现象);此外,传动部件机械退化与污垢现象会加速长期失效。随着脱碳进程推进,燃气轮机需适配低碳燃料(如氢气)以支撑可再生能源,风力涡轮机则面临多变环境条件,这种灵活循环运行加速了退化机制并降低整体效率,凸显了对集成于数字孪生(DT)的高级监测与预测能力的迫切需求。

1.2 研究背景

PdM的成功依赖于物联网(IoT)、大数据、深度学习、深度强化学习(DRL)与硬件加速等技术的融合。尽管PdM在各行业仍面临实施挑战,但其仍是相较于反应式维护(RM)与预防性维护(PM)最具成本效益的方案。从数据分析视角看,SCADA系统采集的信号构成复杂多元时间序列(MTS),其核心挑战在于标注数据稀缺——高安全应用中多数故障在设计上极为罕见,且难以精确识别初始异常时刻,运行条件变化(域偏移)易导致模型误报,而获取可靠地面真值成本高昂甚至不可行。为克服这些障碍,PdM流程已转向深度学习与混合方法,以管理长期时间依赖并实现无监督学习。在此场景下,异常检测比故障检测更具优先级:后者需先验知识以隔离特定故障,而前者可在无需标注的情况下识别偏离标称行为的数据,这对预防灾难性故障至关重要。现有商业框架(如GE Vernova的SmartSignal、西门子的ATOM与EPRI的数字孪生)虽聚焦实时监控与预测性维护,本综述仍覆盖纯数据驱动技术(AI/ML)与混合方法(如物理信息神经网络PINNs与物理信息机器学习PIML),重点分析其在加速计算仿真(CFD、FEM)、利用先验物理知识估计参数及集成混合模型方面的作用。

1.3 贡献

现有综述要么仅聚焦异常检测的纯数据驱动方法,要么局限于特定涡轮机型的 prognostics,缺乏整合异常检测、RUL与RCA并批判性评估物理信息AI作用的整体性比较综述。本工作的核心贡献有三:其一,对现代异常与故障检测架构提供结构化分类与比较分析,将其分为纯深度学习方法与混合物理(数据驱动+物理信息)方法两类;其二,单独深入分析PdM的另两大支柱——RUL估计与RCA,采用相同的跨领域二分法;其三,讨论开放挑战与未来展望,识别研究缺口并指出有前景的方向,如大语言模型(LLM)与人机回圈(HITL)的协同集成,以弥合AI模型输出与运维决策间的语义鸿沟,完全契合工业5.0范式。

2. 综述方法论

典型PdM流程包含多层架构,数据采集与预处理后的核心阶段是异常检测。异常检测已从传统机器学习转向深度学习,主要驱动力在于深度学习可有效处理长期时间依赖(如LSTM、GRU或Transformer架构)、捕捉变量间非线性关系、实现无标注学习(无监督或自监督方法)并对噪声与非平稳性保持鲁棒。SCADA系统采集的涡轮机械信号构成随时间演化的多元时间序列(MTS),其异常可分为两类:单变量时间演化异常(Intra-metric anomalies)与变量间预期相关性违背异常(Inter-metric anomalies)。在旋转系统中,异常通常表现为趋势异常(长期趋势突然偏离)或周期异常(季节性峰值振幅、频率或周期性改变),而非点异常。PdM范式包含诊断(异常检测用于偏差识别、故障检测用于原因隔离)与预后(RUL估计用于预判功能失效)模块,RCA则为操作人员提供决策支持,将识别出的偏差转化为触发原因的诊断信息,以精准规划物理系统的维护干预。
深度学习在涡轮机械监测中的应用呈增长趋势。纯物理建模对复杂系统愈发困难,而SCADA日志与原始传感器数据的广泛可用性,结合高性能计算(HPC)实现的实时处理,使数据流分析成为系统健康监测的基础输入。因此,异常检测与故障分析已从统计回归技术(如AR、ARIMA、ARX、NLARX或SARIMA)与机器学习方法转向深度学习。统计与回归方法虽能有效分析单变量时间趋势或单变量时间序列(UTS),却难以同时捕捉数百个传感器的复杂关联;传统机器学习方法(如单类支持向量机OCSVM与支持向量数据描述SVDD)在处理大规模复杂多元数据集或MTS时存在固有的可扩展性与性能限制,且需平衡数据集(现实中极为罕见)。深度学习的优势在于支持无监督或自监督方法(如基于表示的方法),无需故障标注即可学习正常数据的固有特征,克服了经典统计方法需先验定义的瓶颈。此外,传统单类分类器(如OCSVM)设计用于处理固定维度数据,难以捕捉时间依赖,而循环架构(如RNN、LSTM)或Transformer可原生处理时序信息。重建型深度学习方法通过分析当前数据的内部结构而非仅依赖未来投影,可规避统计回归方法在系统快速变化或内在混沌时的预测误差问题。对2015–2025年科学文献的系统分析显示,2020年起深度学习技术在异常检测、健康监测和预后任务中的使用显著超过经典机器学习与传统物理方法,这一趋势与领域内其他综述的结论一致。本综述创新性地提出了双轴分类法,按功能目标将数据驱动方法与物理信息集成范式结合,并通过合成指标实现定量基准测试,提供了先前综述未涉及的深度分析。

3. 异常检测深度学习架构分类

本节聚焦深度学习架构及其在涡轮机械监测中的应用。模型输入已从单个时间步转向滑动窗口,以聚合时间数据并捕捉潜在时间模式与变量间关系。在工业场景中,数据常含噪声、季节性与趋势,且异常通常表现为持续模式而非孤立点。本综述将所有PdM任务(异常检测、RUL估计、RCA)的方法分为两大类:纯数据驱动方法与混合物理信息范式。前者仅依赖统计数据模式,后者则将物理领域知识无缝集成到深度学习架构中,约束预测处于物理合理范围内。在数据流处理中,按训练与推理的时间执行可分为三种框架:在线训练+在线推理(模型随数据流持续更新参数并检测异常)、离线训练+在线推理(工业最常用,部署验证模型监控实时流)、离线训练+离线推理(用于事后诊断分析)。涡轮机械领域最适合离线训练+在线推理框架:在线推理可实时分析振动、温度与压力等传感器信号,及时检测早期故障;离线训练则确保系统稳定性,避免持续学习将缓慢退化误判为正常行为,同时克服工业硬件计算限制,保障PdM应用的可靠性。
另一关键区分是分步式与端到端架构。分步式方案先生成中间输出(如重建误差或异常分数),再经后续统计阶段确定故障是否存在,需采用非参数动态阈值(NDT)或超阈值峰值(POT)等技术定义自适应阈值,将原始数据转换为决策标签。鉴于涡轮机械的高安全要求,分步式结构优于端到端架构(将全流程集成至单一神经网络),因其可提供异常或故障的中间分数,增强物理可解释性;NDT与POT算法可更好管理工业信号的随机性,相比端到端模型的“黑箱”特性提供更优的系统敏感性控制。频域分析为涡轮机械诊断带来显著优势:频谱分析可识别周期模式(旋转系统具周期性行为),快速傅里叶变换(FFT)能分离主导频率以检测振动与机械不平衡相关的异常或故障(这些在原始信号中可能仅表现为噪声),并降低复杂度、过滤随机波动,使网络聚焦于机械的频谱特征。基于频率的模型(如小波模型或FEDformer的频率增强块)可提升精度并减少误报;TimesNet等模型利用主导周期性将一维时间序列转换为二维表示,联合捕捉时间演化与信号节奏;Autoformer则用基于周期的自相关机制替代经典自注意力,高效识别长期依赖与趋势,支持风力涡轮机的实时监测。

4. 涡轮运行异常检测深度学习家族

涡轮监测中的深度学习架构已发展为可处理传感器数据的高维与非线性特性,主要分为纯数据驱动与混合物理信息两大范式。纯数据驱动方法仅依赖历史数据模式,进一步分为预测、重建与对比三类;混合物理信息方法(如PINNs)则将物理原理集成到学习过程中,嵌入领域知识形成混合策略,提升泛化能力并确保检测到的异常与涡轮运行逻辑物理一致。

4.1 纯数据驱动家族

4.1.1 预测方法
预测策略利用历史传感器流建模涡轮参数的时间演化,通过量化模型估计与实际物理测量的残差识别异常。相关研究包括:结合广义加性模型(GAM)与ARFIMA、GARCH过程的混合方法以处理残差波动与非平稳数据;基于LSTM的持续学习与格兰杰因果策略开发虚拟传感器,检测传感器漂移或失效;特征对齐LSTM(FA-LSTM)同步温度历史状态与当前变量以应对主轴承热惯性;Norm-linear-ConvNeXt-TCN框架分离热退化信号与标准运行波动;CNN-LSTM与GAN结合的框架平衡缺乏故障样本的数据集;图神经网络(GNN)将涡轮表示为节点网络,捕捉子系统间依赖关系(如GAT-GRU加权传感器关联、TempGNN解耦时变条件影响);层次GNN整合自相关机制检测叶片卡滞或编码器错误,或基于先验物理知识定义图拓扑以映射故障传播链。预测架构的优势在于预测残差可直接解释为系统健康的物理指标,但易受信号噪声与非平稳运行偏移影响,需精细基线优化以减少误报。
4.1.2 重建方法
重建方法通过映射输入信号至压缩隐空间来建模标称行为分布,利用重建误差作为异常检测指标。稀疏自动编码器(SAE)引入隐空间稀疏约束以学习航空衍生燃气轮机振动的最显著特征,结合迁移学习解决数据稀缺问题;堆叠去噪自动编码器(SDAE)通过从人工噪声版本重建原始输入,忽略随机成分并学习信号的鲁棒隐特征,应对SCADA数据的电磁干扰、启停阶段异常值与通信丢包;重构优化深度自动编码器(R-DAE)通过选择机制净化含未报告故障的训练集,结合隐特征与重建残差定义更精确的决策边界;卷积自动编码器(CAE)大幅减少网络参数以降低燃气轮机长期故障监测的计算成本;LSTM-自动编码器捕捉热力学参数漂移以识别内部退化早期信号;图注意力网络(GAT)提取传感器交互的空间结构,识别叶片积冰导致的动态偏差;概率生成模型(如TCVAE-GAN、ELSTMVAE)在强噪声下检测早期故障,通过高斯混合模型(GMM)建模复杂分布以消除训练固有异常。重建方法在特征提取能力与架构复杂度间取得平衡,但需注意不同变体(AE、VAE、GAN、扩散模型)的物理解释性差异与适用场景。
4.1.3 对比方法
对比学习通过自监督方式学习标称行为的判别性隐表示,无需故障标注。CSiamese框架结合卷积自动编码器与孪生网络,通过三角损失优化不平衡数据集参数;时间对比学习(TCN框架)利用神经变换与时间对比学习捕捉复杂模式,无需负样本即可防止表示崩溃;匹配对比学习(MCL)在隐空间引入固定参考点引导数据分布至稳定中心,即使故障样本极少也可实现类别可分性;元类比动量对比学习(MACL)基于动量编码器与小样本学习逻辑,仅需单个示例即可识别异常;无监督不平衡半监督对比学习(UISSCL)优化半监督场景下的识别精度;图对比学习(GCL)构建K近邻图(KNNG)映射传感器互连并基于图结构识别故障;物理知识嵌入对比注意力学习网络(PKECALN)将故障特征频率等先验知识集成到1D深度卷积神经网络(1D-DCNN)中,提升小样本诊断性能;多模态对比学习框架(如TIPE模型)对齐压力信号与燃烧图像,检测燃气轮机热声不稳定性;LLM-YOLOMS等框架将视觉检测结果转换为文本属性并由LLM提供维护建议,LLM解释器可将高频SCADA数据转换为自然语言健康评估。对比学习的优势在于可通过稳定隐中心管理极端类别不平衡,并利用无标注数据学习标称行为,但需精心设计负样本以避免表示崩溃,且纯对比模型对环境噪声较敏感。

4.2 混合物理信息家族

混合物理信息方法将领域知识集成到模型中,主要途径包括:将物理方程直接嵌入损失函数(如PINNs求解Navier-Stokes方程监测流量系数φv并检测堵塞、内漏与卡涩现象,或基于动能方程P∝v3约束功率预测);将物理一致性嵌入生成模型与架构(如物理信息卷积自动编码器PIConvAE将节点功率平衡方程残差集成到损失中,检测伪装为统计正常的虚假数据注入攻击;物理信息补丁Transformer通过时间段的物理一致性约束注意力机制,提前5天预判故障并减少修复后误报;物理信息注意力辅助多重自动编码器PI-AMAE为零样本场景生成物理签名,识别从未观测到的异常);利用物理生成合成数据训练网络(如物理引导的贝叶斯神经网络利用变量间物理关联检测传感器故障,或基于集总参数动态模型生成故障振动信号副本训练对比网络)。三种集成范式各有优劣:物理信息损失(PIL)利用物理作为外部约束,效率高且无需网格离散化,但面临多尺度损失景观收敛困难与逆问题对噪声敏感的问题;物理信息架构(PIA)将物理知识结构性嵌入网络构件,确保中间状态符合物理约束,提升结构鲁棒性;物理驱动数据生成(PDDG)利用物理创建理想合成数据集解决类别不平衡与真实样本稀缺问题,但其有效性完全依赖原始物理模型的保真度。

5. 现代涡轮系统预后与RUL估计

过去十年,涡轮系统PdM逐渐从经典机器学习转向深度学习架构,因深度模型能更好处理高维监测数据并自主提取退化模式,避免手动特征工程。RUL估计仍主要依赖需完整运行至失效历史的监督范式,而整合物理原理与神经网络可克服纯数据驱动模型的局限。

5.1 纯深度学习RUL估计

纯数据驱动研究聚焦从复杂数据流中提取特征,并通过半监督范式或深度架构优化减少对大量标注数据的依赖。半监督方法构建性能数字孪生(PDT)提取多维健康指标;FCDAE-CNN-LSTM模型利用自动编码器去噪以减少环境噪声与诊断标注稀缺的影响;CAELSTM网络采用卷积自动编码器降噪并结合注意力机制识别最相关的时序退化序列;自校准时间卷积网络(SC-TCN)通过架构自校准模块保留振动传感器的局部信息,捕捉预示早期磨损的振动信号微变化;多模态迁移学习实现航空涡轮在不同运行工况间的RUL知识迁移;物联网数据与监督CNN-LSTM网络用于水轮机RUL监测;长短期记忆网络(LSTM)关联在线油液监测数据与输出功率,预测汽轮机退化趋势;不对称损失函数优化监督预后,避免RUL低估危及运行安全。

5.2 物理引导RUL估计

为弥补纯统计模型的解释性与泛化性局限,预后研究日益关注物理模型与深度神经网络的集成。Phy-DeepLSTM框架将热力学约束集成到DeepLSTM网络中,确保运行瞬态期间的物理一致性;PINN融合物理层(基于扭转与轴向载荷的疲劳建模)与数据驱动层(捕捉润滑脂化学降解等随机现象);PINN通过专用特征工程与约束损失函数预测高温部件(燃气与汽轮机)的蠕变-疲劳寿命,即使在数据集缩减时仍有效;PI-LSTM网络集成机械磨损机制的先验知识,指导网络在低样本量下的学习;数字孪生驱动架构利用高保真虚拟模型模拟退化轨迹,补偿真实运行至失效数据的缺失;水波信息传输网络处理多元时间序列,比传统循环网络更稳定地捕捉长期依赖。

6. 现代涡轮机械诊断中的根因分析

根因分析(RCA)正从石川图与FMEA等传统方法向自动化方法演进。贝叶斯网络(BN)通过联合概率与先验知识追踪故障在子系统间的传播,实现精准根因隔离;模糊认知图(FCM)在不确定性条件下建模因果关系,提供操作人员易解释的逻辑层;深度学习架构(CNN提取故障特征、LSTM与注意力机制捕捉长期时间依赖)与这些推理工具日益集成。为弥合深度学习数值关联与物理原因解释的鸿沟,最新研究探索利用图神经网络(GNN)保留机器拓扑结构,并利用大语言模型(LLM)处理维护日志等非结构化知识,形成人机回圈(HITL)的混合智能,契合工业5.0的人本理念。具体前沿包括:多主成分分析(Multi-PCA)增强传统PCA能力,通过运行数据聚类管理系统非线性,基于单个传感器统计偏差隔离故障;AIOps框架结合LSTM-AVAGMM模型与SHAP技术,量化每个传感器对异常的贡献以提供透明诊断;GAT-BN模型结合图注意力网络与贝叶斯网络,自主学习节点关键性并沿发动机物理结构建模故障传播;GNN与动态贝叶斯网络引入维护因果循环概念,桥接孤岛信号与优先级维护行动;LSTM与贝叶斯网络混合框架集成分布式传感器流,以高精度隔离根因并减少误报;LLM与信息检索技术将自然语言描述转换为结构化诊断洞见,知识图谱与LLM结合的智能RCA方法可识别质量事故与运行故障的根因。

7. 比较分析

为客观评估架构,引入五个合成指标:性能指数(P-Index,优先F1-score,其次Accuracy/AUC,最后通过逆归一化处理误差指标)、数据效率指数(DE-Index,评估达到可运行状态所需的历史数据量)、推理时间指数(IT-Index,评估响应速度与边缘硬件部署适用性)、可解释性指数(I-Index,衡量支持故障原因识别的能力)、泛化能力指数(GC-Index,量化模型扩展至整个机群而无需重新训练的程度)。通过元分析综合算法将技术指标与数值结果映射到统一度量体系。

7.1 合成指标定义方法论

P-Index的确定遵循八项规则:F1-score优先作为不平衡类别下的核心指标;无F1-score时采用Accuracy/AUC作为代理指标;仅有重建或预后误差时通过逆线性归一化转换RMSE、MAE、MSE为性能指标;MAPE按同类误差指标处理;混合指标分别对误差指标归一化后与原生0–1尺度值合并;提取每项研究的最佳配置结果;孤立误差指标与已知SOTA或外部基准比较;最终P-Index为所有个体Pi值的全局算术平均。定性指标(DE、IT、I、GC)通过序数映射确定,基于文献声明的技术特征分配分值(0.3、0.7、1.0)后取算术平均。

7.2 异常与故障检测:方法论基准测试

纯数据驱动方法中,预测架构的GNN子家族在可解释性与空间精度上表现最优,但需更高计算资源与数据量;LSTM与TCN子家族则在执行速度与工业就绪度上更平衡。重建架构的循环自动编码器(Recurrent AE)子家族是最均衡方案,保证最高诊断可靠性的同时计算成本适中;卷积子家族在边缘系统部署或高频振动分析中占优,精度牺牲极小;图基子家族虽计算密集,但在可解释性与泛化能力上领先,尤其通过迁移学习实现机群内知识转移。对比架构的度量与匹配子家族在推理速度与纯精度上最高,适合低延迟需求的标准应用;迁移与小样本子家族在数据效率上占优,通过单样本学习策略适配新机器;多模态子家族(集成LLM)将可解释性与泛化能力推至新高度,可提供异常的自然语言解释,但计算需求高限制了实时性。
混合物理信息方法中,物理信息架构(PIA)子家族数据效率指数最高,因结构约束显著减少训练数据需求;物理驱动数据生成(PDDG)子家族推理速度最优,因物理计算被卸载至训练阶段;物理信息损失(PIL)方法在诊断透明度上表现最佳,因符合物理定律为网络内部逻辑提供内在验证,但训练复杂度更高。全局对比显示,混合物理信息架构在整体可靠性(P-Index)与数据效率(DE-Index)上优于纯数据驱动架构,物理约束作为强大正则化器有效补偿了标注运行至失效样本的稀缺性,且可解释性(I-Index)更高;纯数据驱动架构在泛化能力(GC-Index)上存在局限,但混合家族的推理时间(IT-Index)反而更优——因PIL与PDDG将物理仿真的沉重计算负担完全卸载至离线训练阶段,仅保留轻量级模型用于实时部署。

7.3 RUL模型的运行剖面:纯深度学习vs物理引导

物理引导家族在数据效率(DE-Index)与可解释性(I-Index)上占据绝对优势,物理领域知识(疲劳与蠕变定律或高保真数字孪生仿真)作为鲁棒数学正则化器,使网络即使在历史运行至失效样本极有限时也能有效收敛,且逻辑内在透明。纯深度学习家族虽结构透明度较低,但推理时间(IT-Index)更优,因优化架构(CNN/LSTM)在推理时绕过了物理约束;不过,含专用加速模块的混合框架正逐步缩小这一计算差距。在绝对诊断可靠性(P-Index)上,物理引导方法仍略占优势,证实将神经网络约束在物理合理范围内可防止不一致外推,尤其在部件接近寿命末期时。

7.4 根因分析:方法论基准测试

RCA评估中,因果与图方法以及解释器方法表现最稳健。知识增强子家族在可解释性(I-Index)上设定基准,LLM能以自然语言交付诊断,有效桥接传感器数据与人类理解的语义鸿沟;统计/多变量方法则因线性代数计算成本低于深度神经网络,
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号