综述：涡轮机械预测性维护技术概述 皮尔保罗·迪尼（Pierpaolo Dini）、 达米亚诺·纳尔迪（Damiano Nardi） 塞尔吉奥·萨波纳拉（Sergio Saponara）

《Machines》：Overview on Predictive Maintenance Techniques for Turbomachinery Pierpaolo Dini, Damiano Nardi and Sergio Saponara

　　**摘要**
在工业5.0范式下，关键资产的管理需要先进的数字架构，以确保系统的韧性和运营的可持续性。本系统综述分析了涡轮机和涡轮机械预测性维护（PdM）技术的最新进展，对异常与故障检测框架进行了技术评估，并将其拓展到了剩余使用寿命（RUL）估计和根本原因分析（RCA）领域。该研究探讨了行业固有的挑战，从处理来自监控控制和数据采集（SCADA）系统的高维多变量时间序列（MTS）数据，到实际环境中标记数据的稀缺性以及信号的的非平稳性。无论是纯数据驱动的框架，还是混合物理信息模型（如物理信息神经网络PINNs），都根据性能指标进行了严格评估。本研究的重要贡献在于对方法论进行了分类，依据它们是否适合实时推理，并强调了可解释人工智能（XAI）在为领域专家提供透明洞察方面的作用，这些专家在决策过程中仍处于核心地位。本综述的主要目的是概述迄今为止的进展，对比当前的技术差距，并为未来的发展指明方向。在这方面，采用生成式人工智能和大型语言模型（LLMs）被认为是向交互式、以人为中心的决策支持系统演进的关键步骤。

**1. 引言**
1.1 **动机**
近年来，预测性维护（PdM）在制造业中越来越受到重视，尤其是在涡轮机械领域。这一领域已经从手动振动监测发展到基于人工智能的先进数字架构[1,2]。这种技术进步与工业5.0的原则相一致，后者强调以人为中心、可持续性和韧性，以促进适应性的生产过程并减少对环境的影响[3]。PdM作为一种解决方案，有效应对了设备故障带来的主要挑战，这些故障可能导致重大财务损失、运营中断和公司声誉受损[4]。通过利用实时数据和先进的分析技术持续监测设备状态，预测性维护能够及早发现潜在问题，从而及时进行精确干预。PdM的主动性减少了计划外停机时间，延长了资产寿命，并降低了维护成本[5]。在现代发电设施和工业工厂中实施PdM已经显示出显著的运营效益。例如，文献[6]展示了从基于状态的维护（CBM）转向完全预测性维护策略的优势，风电涡轮机的运营停机时间减少了70-75%，维护成本降低了20-50%。在其他工业环境中，Romanssini等人[7]证明，在旋转机械上实施PdM可以将运营停机时间减少50%，维护成本降低8-12%，同时延长资产寿命、提高操作员安全性和增强整体工厂可靠性。

然而，将这些策略应用于涡轮机械面临独特的挑战。PdM策略的实施首先需要对系统的异常和故障进行分析。在涡轮机械中，主要问题包括金属退化（如蠕变、高周疲劳HCF和低周疲劳LCF）、腐蚀和侵蚀[8]。另一个重要类别是转子动力学异常，主要表现为质量不平衡、轴不对中以及摩擦现象（非自愿的转子-定子相互作用）[2,9]。此外，传动部件的机械退化和污染现象[10]也经常发生，可能会加速长期故障。在涡轮机械中，通常通过监测轴承的状态（滚动轴承RB、轴颈轴承JB和推力轴承TB）的振动和极端温度来跟踪这些故障的起始[11,12,13]。作为磨损部件，这些轴承在定期检查和CBM策略中都会被评估[14]。向脱碳的转变带来了新的运营挑战：燃气轮机必须适应低碳燃料（氢）以支持可再生能源[15,16]，而风力涡轮机则面临多变的环境条件[17]。这种向灵活和循环操作的转变加速了退化机制，降低了整体效率[16,18,19]。这些不断变化的运营需求凸显了需要将先进的监测和预测能力集成到数字孪生（DT）中的必要性[1,20,21]。基于这些基础，DT整合了人工智能、机器学习和先进分析技术，以实现从多源数据中学习、在变化的操作条件下适应行为以及支持预测性决策[20]。

1.2 **背景**
PdM的成功在于其独特的能力，即在成本效率和运营可靠性之间取得平衡，这得益于多项基础技术的融合：
(1) 物联网（IoT）：传感器实现了大规模的设备数据收集；
(2) 大数据：将原始IoT数据转化为可操作的洞察；
(3) 深度学习：支持故障诊断和剩余使用寿命（RUL）预测；
(4) 深度强化学习（DRL）：在动态环境中优化维护决策；
(5) 硬件：GPU/TPU加快了复杂模型的训练[22,23]。尽管在不同行业中实施PdM仍存在挑战，但与反应性维护（RM）和预防性维护（PM）相比，它仍然是减少停机时间和故障相关成本的最具成本效益的方法[24]。
从数据分析的角度来看，通过SCADA系统收集的信号构成了复杂的多变量时间序列（MTS）[25]。该领域的主要挑战之一是标记数据的稀缺性[26,27]。事实上，许多故障在设计上极为罕见，尤其是在高度安全的应用中[28]。此外，识别初始异常的确切时刻很困难，而且操作条件的变化（领域偏移）可能导致模型不稳健时产生误报[29]；最后，获取可靠的真实数据既昂贵又常常不可行[30]。
为了克服这些障碍，PdM流程已转向深度学习过程和混合方法，这些方法对于管理长期时间依赖性和实现无监督学习是必要的。在这种情况下，异常检测比故障检测更为重要：故障检测旨在隔离需要事先知的特定故障，而异常检测则可以在不需要标签的情况下识别与名义行为的偏差，确保及时性，这对于防止灾难性故障至关重要。Sepe等人的研究[9]演示了这种混合方法，他们准确地预测了Baker Hughes涡轮机械中的蠕变损伤，误差范围为故障间隔的28.5%，从而能够估计每个涡轮机的剩余使用寿命（RUL）。
尽管存在针对生命周期监测的先进商业框架（如GE Vernova的SmartSignal [31]、Siemens的ATOM [32]和EPRI的Digital Twin [33]），这些框架专注于实时诊断和预测性维护，但本综述将涵盖纯数据驱动技术（AI/ML）以及混合方法，如物理信息神经网络（PINNs）和物理信息机器学习（PIML）[18]。后者将在加速计算模拟（CFD、FEM）、利用先验物理知识估计参数以及在不严格物理约束下集成混合模型的背景下进行探讨[16,34]。

1.3 **贡献**
现有的调查要么仅关注数据驱动的异常检测方法，要么仅关注预测，要么仅限于特定类型的涡轮机。目前缺乏一个全面的、比较性的综述，整合异常检测、RUL和RCA，并批判性评估物理信息AI的作用。因此，本工作的目的不是提出一个独特的PdM框架，而是提供关于构成其核心的基本方法论的系统综述：异常检测、故障检测、RUL估计和根本原因分析（RCA）。该调查的主要贡献有三个方面：首先，它提供了现代异常和故障检测架构的结构化分类和深入比较分析，将其分为两大类：纯深度学习方法和混合物理（数据驱动和物理信息）方法；其次，它分别深入分析了PdM其他两个支柱的最新进展：RUL估计和RCA，同样采用了这种交叉分类方法；最后，讨论了面临的开放性挑战和未来发展方向，确定了研究空白，并概述了有前景的方向，例如将大型语言模型（LLM）和人在循环中（HITL）[35]方法进行协同整合，以弥合AI模型输出与运营决策之间的语义差距，完全符合工业5.0范式[36]。
为了更清晰地展示研究结构，图1提供了本综述的可视化组织框架。本文的其余部分安排如下：第2节介绍综述方法论；第3节介绍用于异常检测的深度学习架构分类；第4节评估异常和故障检测方法（预测、重建、对比和物理信息驱动的方法）；第5节讨论RUL估计技术；第6节回顾RCA方法；第7节提供比较分析；第8节讨论挑战并总结。

**2. 综述方法论**
典型的PdM流程包括几个阶段。数据采集和预处理之后紧接着进行的是异常检测[1,20]。异常检测的发展已经远远超出了传统的机器学习技术，越来越多地转向深度学习过程。这一转变主要是由于深度学习具有明显优势，例如能够有效处理长期时间依赖性（如通过LSTM、GRU或Transformer架构）、捕捉变量之间的非线性关系、实现无标签学习（无监督或自监督方法），并确保对噪声和非平稳性的鲁棒性[37]。从实际角度出发，这些方面至关重要。实际上，通过分布在涡轮机械中的采集单元和传感器收集的数据允许通过SCADA系统接收信号。数学上，这些信号构成了变化的时间序列。由于它们通常需要通过在线推理进行处理，因此采用专为实时执行优化的数据驱动模型至关重要，以确保计算要求与资源受限的平台兼容。对这些信号的分析产生了多变量时间序列（MTS），代表了涡轮机械监测中的异构物理量[25]。在MTS分析过程中，异常可以以多种形式出现，因为数据不仅在时间上发生变化，而且变量之间存在线性或非线性关系。因此，通常会区分两类主要的异常：内在异常，与单个变量内的时间演变有关；以及跨变量异常，与不同指标之间预期相关性的违反有关[38,39]。
在具有稳定动态特性的旋转系统中，异常通常不涉及点状异常（单个时间点的异常行为可能表现为尖峰或故障）[38]。相反，典型的异常通常是趋势异常，即序列突然偏离长期趋势，或是周期性异常，例如季节性峰值的出现，其幅度、频率或周期性发生变化，如图2所示。此外，图3展示了系统架构，从原始数据采集开始，随后进行预处理以进行清洗和有意义的特征提取。这一阶段的输出包括基本健康指标，如时间序列、函数变换和监控参数，这些输入到诊断（异常和故障检测）和RUL估计的预测模块中。在这种情况下，RCA为操作员提供了不可或缺的决策支持，将识别出的偏差转化为关于触发原因的诊断信息，这对于精确规划物理系统的维护干预至关重要。接下来的部分将讨论状态监测和故障检测技术，特别关注应用于涡轮机和一般涡轮机械的异常检测方法，分析并回顾了深度学习方法的有效性，并介绍了涡轮机械领域的时间序列异常检测深度学习方案。

**图2. 涡轮机械时间序列中异常类别的可视化分类：**(a) 点状异常；**(b) 周期性异常；**(c) 趋势异常[38]**
**图3. PdM范式的示意图**。该过程包括诊断（包括异常检测以识别偏差和故障检测以隔离原因）和预测（估计剩余使用寿命RUL以预测功能故障）。

**深度学习在现代工业监测中的应用**
深度学习在现代工业监测应用中的地位日益重要。事实上，仅依赖对系统的物理建模变得越来越困难，尤其是对于数学和物理上都复杂的系统。随着来自各种采集系统（包括SCADA日志和原始传感器数据）的广泛信号以及高性能计算（HPC）等现代架构的支持，这些数据流的分析成为系统健康监测的基本输入。因此，近年来，异常检测和故障分析越来越多地从统计回归技术（如AR、ARIMA、ARX、NLARX或SARIMA）和机器学习方法转向深度学习[38,40]。在分析单变量时间趋势或单变量时间序列（UTS）时，统计方法和基于回归的方法已被证明是有效的，但它们难以同时捕捉数百个不同传感器之间的复杂相关性。同样，诸如一类支持向量机（OCSVM）和支持向量数据描述（SVDD）这样的算法也是可行的替代方案；然而，传统的机器学习方法在处理大型、复杂的多变量数据集或MTS时通常会面临固有的可扩展性和性能限制[37,38,40]。此外，随着系统复杂性的增加，这些方法会遇到由标记异常数据稀缺性带来的重大挑战，这一点在前面的讨论中已经提到[37,38]。在这方面，Zamanzadeh等人[37]提到了数据稀缺性问题，指出通用的机器学习方法需要平衡的数据集，而这在现实世界中很少存在。深度学习的一个优势在于它支持无监督或自监督的方法（如基于表示的方法），这些方法可以在不需要故障标签的情况下学习数据的固有特征，从而克服了经典统计方法的主要瓶颈，后者需要预先定义。与此并行的是，传统的单类分类器（如OCSVM）存在技术限制：它们是为固定维度的数据设计的，难以捕捉时间依赖性[41,42,43]。在实际应用中，它们将每个数据点视为一个孤立或静态的事件，从而丢失了时间序列中包含的基本信息，而这些信息正是循环架构（例如RNN和LSTM）或Transformer能够自然处理的[44,45]。最后，管理不可预测性的难度仍然存在；实际上，基于异常预测的统计回归方法在系统快速变化或本质上是混沌的情况下会失效。例如，对于一个波动的时间序列，统计方法会持续产生高预测误差，将正常行为误认为是异常。相反，基于重建的深度学习方法通过分析当前数据的内部结构而不是仅仅依赖于其未来预测来解决这个问题[37,46]。深度学习的有效性不仅通过其高计算性能得到证实，还体现在它在健康监测领域的科学文献中的日益普及，特别是在异常和故障检测方面。近年来，它已经广泛采用，越来越多地取代了传统的机器学习方法以及纯物理模型或视觉检查，这一趋势在涡轮机械行业尤为明显[47]。为了支持这一证据，对过去十年（2015-2025年）的科学出版物进行了系统分析。文献获取过程是通过使用Semantic Scholar、arXiv、Crossref、Elsevier (Scopus)、IEEE Xplore和OpenAlex的公共API自动执行的。为了减轻潜在的出版物偏倚并确保全面覆盖，搜索策略明确包括了预印本服务器（例如arXiv）和国际会议论文集。这种方法可以捕捉到更广泛的结果范围，包括早期理论进展和工业案例研究，这些内容通常会在仅限于期刊的综述中被忽略，因为期刊综述往往更倾向于呈现积极的结果。为了确保系统搜索，使用了16个特定查询（例如“涡轮机械异常检测”、“燃烧系统中的不稳定性检测”），严格排除了综述、评论和调查，仅保留原始贡献。搜索查询不仅涉及检测阶段，还涵盖了健康监测、诊断和预测的整个光谱。 identified的作品被归类为三个方法论宏观类别：

**深度学习（DL）**：能够从复杂数据中自主提取特征层次的结构化神经架构，包括生成模型、循环架构以及整合不同深度学习范式的混合解决方案。
**机器学习（ML）**：基于数学模型的有监督和无监督学习算法，不利用深层结构，专注于数据回归和划分，旨在识别逻辑模式或最优决策。
**替代方法（AM）**：包括基于物理的模型、确定性模型、自回归模型、实际视觉分析和直接测量。

选择和分类由一个严格的多阶段过滤过程来控制：

**纳入标准：**
(i) 实施DL、ML或AM架构的原创研究；
(ii) 明确关注涡轮机械资产（气体、蒸汽、风能或水力涡轮机和压缩机）；
(iii) 文章全文为英文。

**排除标准：**
(i) 非工业应用（例如医学或临床研究）；
(ii) 缺乏详细数学公式的会议摘要。

经过基于标准化标题匹配的去重阶段后，选出了411篇独特的文章。将文章分配到DL或ML类别是通过基于关键字的评分系统来决定的：具有多层结构的架构（例如CNN、LSTM、PINN）被归类为DL，而浅层模型（例如SVM、随机森林）被归类为ML。分析结果显示，2020年深度学习技术的使用显著增加，超过了传统机器学习。从2017年开始，包括深度学习在内的机器学习方法总体上已经超越了传统的基于物理的方法。后者往往计算速度太慢（如FEM或CFD模拟），或者在实时监测方面的精度有限。这一趋势与C. Tsallis等人的观察结果一致[48]，他们提供了关于AI在更广泛的PdM领域扩展的系统性文献综述。同样，M. de Castro-Cros等人[47]提供了专门应用于燃气轮机状态监测的机器学习的详细概述。虽然这些研究提供了有价值的定性总结，但我们的综述引入了一种不同的方法论进步。与之前按算法家族或组件类型分类文献的研究不同，我们提出了一种双轴分类法，根据方法的功能目标（作为纯数据驱动的方法）及其基于物理的集成范式来对其进行特征描述。此外，我们实施了一个定量基准测试框架，利用合成指数来评估工业 trade-offs，提供了之前调查中未探索的分析深度。

图4展示了分析结果。该分析表明，与传统的机器学习（ML）和替代方法（AM）相比，深度学习技术在过去几年中得到了显著增长。从2017年开始，包括深度学习在内的机器学习方法已经超越了传统的基于物理的方法。后者在计算上通常太慢（如FEM或CFD模拟），或者在实时监测的精度方面有限。这一趋势与C. Tsallis等人的观察结果一致[48]。同时，M. de Castro-Cros等人[47]提供了一个关于应用于燃气轮机状态监测的机器学习的详细概述。尽管这些研究提供了有价值的定性总结，但我们的综述引入了一种不同的方法论进步。与之前的研究不同，我们提出了一个双轴分类法，根据方法的功能目标和基于物理的集成范式对其进行分类。此外，我们实施了一个定量基准测试框架，利用合成指数来评估工业 trade-offs，提供了之前调查中未探索的分析深度。

图4显示了文献的计量分析结果。(左) 出版趋势的历史演变，明显显示出近年来深度学习（DL）在异常检测（AD）、健康监测（HM）和预测（PR）任务中的增长，超过了传统的机器学习（ML）和替代方法（AM）。(右) PHM框架内的主题领域分布和文献来源的细分。图4中的分析结果不仅展示了专注于异常检测的研究，还考虑了其在更广泛框架（如预测和健康管理（PHM）中的整合，从而涵盖了健康监测和系统预测等主题。此外，许多研究共享共同的方法论；这不仅导致多技术被归因于单一研究，还表明某些科学分支持续存在并发展，尽管程度不如其他分支明显。最后，文献回顾的研究程序和数据提取阶段如图5所示。

**3. 异常检测的深度学习架构分类**
本节的分析主要关注深度学习架构、它们的结构框架及其应用。这些现代模型的输入已经从单个时间步长转变为滑动窗口。这些窗口随着时间的推移聚合数据，以捕捉潜在的时间模式和变量之间的关系。在现实世界中，数据通常表现出复杂的结构，如噪声、季节性和趋势；此外，异常通常表现为持续的模式，而不仅仅是孤立点[38]，如图2所示，特别是在涡轮机等复杂系统中。这种向深度学习的转变反映了安全关键基础设施中的更广泛趋势。例如，在轨道监测中系统地采用了类似的架构来检测缺陷，确保运行可靠性[49]。为了在所有PdM任务（包括异常检测、RUL估计和RCA）中建立一致的类别体系，本综述将方法论分为两大类：纯粹数据驱动的方法和混合物理信息范式。前者完全依赖于统计数据模式。相比之下，后者作为一个跨领域层次，将物理领域知识无缝集成到深度学习架构中，如预测或重建模型中，以将预测限制在物理上可行的范围内。在数据流处理的背景下，可以根据训练和推理阶段的时间执行建立明确的分类体系。通常，识别出三种主要的操作框架：在线训练和在线推理，模型在数据流过程中不断更新其参数并检测异常；离线训练和在线推理，这是工业应用中最常见的方法，其中部署了一个经过验证的模型来监测实时流；以及离线训练和离线推理，通常用于后处理诊断分析[50]。在涡轮机械行业，基于离线训练和在线推理的框架最适合解决特定的操作挑战。在线推理对于及时分析传感器信号（如振动、温度和压力）至关重要，能够实时检测初期故障。同时，相比于在线方法，离线训练更受青睐，以确保系统稳定性，并防止连续学习错误地将缓慢退化解释为正常行为。这种方法还克服了工业硬件的计算限制，允许部署经过严格验证的模型，并确保PdM应用所需的可靠性。

另一个基本方面涉及逐步式和端到端架构之间的区别[37]。在逐步式解决方案中，模型最初生成一个中间输出，如重建误差或异常分数，这需要后续的统计阶段来确定故障的实际存在。在这种情况下，采用非参数动态阈值（NDT）或峰值超过阈值（POT）等技术对于定义能够将原始数据转换为决策标签的自适应阈值至关重要[37,50]。鉴于涡轮机械行业的高安全要求，逐步式结构似乎比端到端结构更可取，后者将整个过程集成到一个神经网络中。实际上，中间分数的可用性保证了在异常或故障检测中的更大物理可解释性。同样，使用POT或NDT等算法可以更好地随机管理工业信号的属性，比端到端模型的“黑盒”性质提供更好的系统敏感性控制[37,38]。在[51]中可以观察到这种方法，作者在其中实施了NDT进行涡轮机监测，由于阈值能够自主适应机器的操作变化，从而大幅减少了误报。在[52]的研究中也发现了类似的结果，使用POT技术可以统计管理涡轮机信号中的极端事件，确保及时检测故障而无需持续监控。另一方面，参考文献[53]提出了一个端到端框架，虽然在准确性和类别不平衡管理方面优于经典模型，但牺牲了细粒度可解释性以实现直接、集成的分类。

转向频率域在涡轮机械诊断中提供了显著的优势，使得能够提取时间域中隐藏的信息。频谱分析有助于识别周期性模式（图2）。由于旋转系统表现出周期性行为，快速傅里叶变换（FFT）的使用可以隔离 dominant 频率，以检测与振动和机械不平衡相关的异常或故障，这些在原始信号中只会表现为噪声，并将这些作为网络的输入[54]。此外，信号变换通过过滤随机波动并允许网络专注于机器的频谱特征，从而减少了复杂性。它提高了精度并减少了误报，特别是在包含滤波模块的架构中，如基于小波的模型[55]或FEDformer，后者采用频率增强块来管理全局依赖性[56]。频率域还支持多维表示。例如TimesNet[57]这样的模型利用主导周期性将1D时间序列转换为2D表示，同时捕捉时间演变和信号节奏。此外，基于FFT的公式提高了计算效率。在这个背景下，Autoformer[58]用基于周期的自相关机制取代了传统的自注意力机制，有效地识别长期依赖性和趋势。这有助于检测异常，并支持风力涡轮机应用中的实时监测。图6展示了讨论的主题的概要方案，与仅捕获时间依赖性模式的时域模块相比，空间模块通过变量间依赖性学习系统的正常性，从而能够检测多变量涡轮机数据集中的异常。图6提出了与涡轮机械领域相关的异常检测的时间序列学习方案。

**4. 涡轮机操作中用于异常检测的深度学习家族**
在涡轮机监控的背景下，深度学习架构已经发展到能够处理传感器数据的高维性和非线性特性。根据最近的文献，异常检测方法可以大致分为两大类：纯数据驱动型和混合物理信息型。第一类方法完全依赖历史数据模式，主要分为预测、重建和对比方法[38]。相反，第二类方法（如物理信息神经网络（PINNs）将物理原理整合到学习过程中[16]，直接将领域知识嵌入模型中，形成增强泛化能力的混合策略，并确保检测到的异常与涡轮机的运行逻辑在物理上一致。因此，本节分析了文献中报道的针对涡轮机械的具体方法，从纯数据驱动模型转向基于物理的混合解决方案。此外，还提供了专门的总结表格来系统化所审查的贡献。为了便于进行比较性技术评估和实际应用，这些表格不仅包括基本分类（即学习范式、涡轮机械系统和年份），还引入了三个额外的分类标准：

**输入数据类型（Input）**：详细说明输入信号的性质。这些数据类型分为多变量时间序列（MTS，用于标准SCADA日志）、时空多变量时间序列（ST-MTS，用于基于图的拓扑结构）、振动信号（VIB，用于高频监测）、图像/频谱图（IMG/SPEC）或物理数据（例如热力学残差、偏微分方程约束或计算出的物理参数）。

**验证指标（Metrics）**：指定用于评估模型性能的数学标准，例如用于预测误差的RMSE、MAE、MAPE和R2，或用于分类能力的F1分数、准确率和AUC。

**计算复杂性（Comp.）**：基于架构深度和硬件要求提供定性评估。该指标分为低（L）：适用于浅层神经网络或单层架构（例如简单的CNN或单层LSTM），可在标准边缘设备上即时推理；中等（M）：适用于深度架构或基于注意力的机制（例如Deep LSTM、Transformer或CNN-LSTM混合模型），需要GPU加速以实现高效训练；高（H）：适用于计算密集型框架，如物理信息神经网络（PINNs）或生成对抗网络（GANs），这些框架涉及复杂的迭代数学运算或庞大的参数空间。

**4.1. 纯数据驱动型家族**

纯数据驱动型的异常检测方法完全依赖于历史传感器数据来模拟涡轮机械的标称行为，而不需要明确的物理规则。这一类别包含三种主要方法，每种方法使用特定的架构来处理复杂的多变量时间序列：

- **预测（Forecasting）**：预测策略利用历史传感器数据流来模拟涡轮参数的时间演变，从而预测未来的运行状态。在此框架中，通过量化模型估计值与实际物理测量值之间的残差来识别异常，显著偏差表明偏离了标称行为。这种预测范式中使用的参考架构主要包括CNN、RNN、LSTM、GNN和Transformer[37,59]。
- **重建（Reconstruction）**：基于重建的方法侧重于通过将输入信号映射到压缩的潜在空间来建模标称行为的分布。与预测方法不同，这些模型旨在合成原始输入，使用重建误差作为异常检测的指标。在燃气轮机的背景下，参考文献[47]指出，这些无监督架构特别擅长识别多维时间序列中的隐藏模式。实际上，通过使用滑动窗口访问完整的时间上下文，这些模型可以有效地重建复杂的运行场景[37]。在此框架下，通过将训练子序列编码到低维潜在空间中来捕获标称行为。假设异常很少见，模型通常难以准确重建这些模式。因此，当重建误差（定义为实际观测值与合成观测值之间的差异）较高或重建概率低于特定阈值时，就会启动检测。虽然这种方法可能会引入轻微的延迟，但在涡轮机及其相关设备的状态监测中通常更受欢迎，因为它提供了减少维护成本和防止关键设备故障所需的高精度[47]。与此方法相关的具体实现依赖于各种框架，包括AE、VAE、GAN、Transformer和扩散模型。
- **对比学习（Contrastive）**：对比学习范式的异常检测采用了一种以同一数据的不同视图之间的一致性为中心的自监督方法[37]。这些方法通常采用双分支架构（通常称为双塔模型），其中多变量时间序列通过不同的编码网络进行处理，生成高维表示向量[38]。模型通过从多个角度分析信号（如不同的时间尺度或数据增强）来识别标称行为的一致特征[59]。为了确保复杂序列之间的同步，融合模块结合了对齐技术（如上采样）将这些表示映射到每个时间步[50]。训练目标由对比损失函数控制，该函数量化分支之间的相似性，将低相关性的实例标记为潜在异常[38]。这种框架无需手动标签即可建立稳健的基线，非常适合工业资产的无监督监测。这些工作中的技术主要包括基于Transformer的、基于MLP的和基于LLM的模型。

以下小节将详细介绍这些方法的具体应用、架构细节和性能权衡。为了提供这些纯数据驱动架构的更清晰的视觉总结，图7中展示了概念性表示。图7. 纯数据驱动型异常检测家族的概述：(a) 预测，(b) 重建，(c) 对比学习[38]。

**4.1.1. 预测方法**

在管理涡轮机械中的复杂时间序列时，一个相关的权衡是将高级统计模型与学习技术相结合。在这方面，Goyal[60]提出了一种针对燃气轮机的混合方法，将广义加性模型（GAM）与ARFIMA和GARCH过程结合起来，以解释残差波动性和非平稳数据。这一概念扩展到了传感器虚拟化领域，其中预测模型用于验证物理仪器或替换缺失的仪器。Gori等人[61]和Shetty等人[62]的研究项目开发了用于燃气轮机异常检测的持续学习和Granger因果策略。利用LSTM网络，这些模型开发了虚拟传感器来检测传感器漂移或故障。在此背景下，Farahani[63]通过将自动编码器用于特征提取与深度LSTM用于预测相结合，解决了燃气轮机中的高维数据挑战。这种混合策略有效地减少了噪声和维度，然后进行时间序列预测，从预测的角度管理运行变化。

为了提高对主轴承等关键部件的敏感性，最近提出了专门的架构[64,65]。虽然B. Wang等人[64]引入了特征对齐LSTM（FA-LSTM）来通过同步之前的温度状态与当前变量来考虑部件的热惯性，但Chen等人[65]开发了Norm-linear-ConvNeXt-TCN框架，以更高的计算效率隔离退化信号。利用时间卷积网络（TCN），后者成功地将热退化模式与标准运行波动分开。

同样，在水电领域，B. Liu等人[66]将CNN和LSTM与生成对抗网络（GAN）结合起来，以平衡缺乏足够故障样本的数据集，提高了在可变负荷下发电单元中异常的识别能力。然而，纯时间模型往往难以捕捉相互连接的子系统之间的依赖性。图神经网络（GNN）通过将涡轮机表示为节点网络来解决这个问题。在这方面，Pinciroli等人[67]使用了GAT-GRU框架来加权传感器相关性，确保系统对自动控制系统可能掩盖的故障模式保持敏感。G. Jiang的TempGNN模型是该领域的一个重要贡献，它通过设计了一个解耦阶段来关注系统级监测，以高精度识别主轴承、发电机部件和转换器的过热现象。进一步扩展这种空间分析，Y. Zhan等人[69]实现了用于小型水电站异常检测的深度时空建模，成功捕捉了状态变量的共同演变。在风能领域，Daenens等人[70]利用GNN来模拟风电场之间的相关性，其中尾流效应等相互作用显著影响区域电力预测。

最后，预测文献强调了图构建中的两种不同哲学：Y. Zheng等人[71]提出了一个用于风力涡轮机俯仰系统的层次化GNN，通过数据驱动的邻接矩阵集成自相关机制来检测叶片卡住或编码器错误。相比之下，X. Jin等人[72]强调使用先验物理知识来定义图拓扑。他们的GSTN框架将故障传播链映射到传感器上，增强了诊断结果的可解释性。针对风力涡轮机集群的区域级管理，J. Wang等人[73]实现了改进的DBSCAN异常检测作为预处理步骤，以清除SCADA数据中的维护或电网削减异常。这确保了后续的图卷积循环网络（GCRN）接收到可靠的输入，用于电力预测，保持了调度过程的完整性。

**优缺点** 总的来说，预测架构为实时监测和早期退化检测提供了强大的框架，特别是当与空间感知或物理信息模块结合使用时。它们的主要优势在于预测残差可以直接解释为系统健康状况的物理指标。然而，这些方法仍然容易受到信号噪声和非平稳运行变化的影响[60,61]，如果基线没有针对异常值或概念漂移等伪影进行精细调整，可能会导致误报[74]。正如最新科学文献所示，这一范式的前沿在于深度学习的灵活性与物理约束提供的结构可靠性[72]和稳健的数据预处理[73]之间的权衡。与预测相关的工作在表1中报告。表1. 关于涡轮机械异常和故障检测预测工作的总结。

**4.1.2. 重建方法**

这种方法的基础是深度自动编码器及其稳健的变体，设计用于数据通常未标记的工业环境。W. Xie等人[75]使用了稀疏自动编码器（SAE），这是一种在潜在空间中引入稀疏约束的重建网络，迫使模型仅学习空气动力燃气涡轮机振动中最显著的特征。通过集成迁移学习技术，作者成功地在不同发动机之间传递知识，实现了92%的诊断准确性。

风电场的迅速扩张，特别是在中国，产生了大量受噪声和干扰影响的SCADA数据。C. Zhang[76]将这些问题归因于启动或关闭阶段的电磁干扰和异常值，而J. Chen[77]强调了通信故障和停机期间的数据包丢失的影响。一种广泛采用的解决方案是基于堆叠去噪自动编码器（SDAE）的。这种架构迫使网络从受人工噪声污染的版本重建原始输入，使模型忽略随机成分，仅学习信号中最稳健的潜在特征。C. Zhang[76]在训练前集成了局部异常因子算法来清洁数据集，并将SDAE与LSTM单元和XGBoost分类器结合，创建了一个复杂的诊断流程。相比之下，J. Chen[77]提出了一种基于重建纯度的方法，其中时间依赖性通过SDAE内的集成滑动窗口来处理。在这种架构中，训练在多个噪声水平上进行，以提网络区分显著特征的能力，使重建误差成为高度敏感的异常指标。在这一方法家族中，Yan和Yu[78]将SDAE应用于燃气轮机，从排气温度曲线中提取层次特征，克服了传统燃烧室监控的局限性。为了解决训练数据集被未报告的故障污染的问题（这些故障可能被误认为是正常的），S. Fu[79]引入了重新优化的深度自动编码器（R-DAE）用于燃气轮机。这种架构解决了经典模型的效率问题，因为如果基于未经过滤的数据进行训练，这些模型往往能够很好地重建故障，使得故障识别变得困难。R-DAE实现了选择机制，净化了训练集，并将潜在特征与重建残差结合起来，输入到隔离森林中，定义了更准确的决策边界。在同一燃气轮机环境中，G. Lee[26]通过卷积自动编码器（CAE）优化了监控效率；这种特定的重建架构利用卷积滤波器捕获结构模式，同时大幅减少了网络参数的数量，从而降低了长期故障检测的计算成本。沿着这条技术路径，D.刘等人[80]提出了CSiamese框架，该框架将卷积自编码器与孪生网络结合，用于衡量重建的相似性。这种方法解决了燃气轮机数据不平衡的关键问题，即异常样本的极端稀有性阻碍了标准模型的训练。通过仅针对正常样本优化参数，CSiamese显著提高了这种不平衡数据集的异常检测性能。时间分析是重建方法面临的另一个基本挑战。Jalil Pour[81]专注于使用LSTM-Autoencoder网络对燃气轮机进行传感器建模，以通过热力学参数的偏移来识别内部退化的早期信号。在这一背景下，Fahmi等人[82]展示了时间卷积网络自编码器（TCN-AE）在速度和准确性方面相对于LSTM的优势。Y. Ma等人[83]为数字孪生的发展做出了重要贡献，他们开发了基于LSTM-Autoencoder网络的航空燃气轮机性能数字孪生。这种重建架构不仅建模了名义行为，还积极量化了操作不确定性，即使在复杂的操作瞬变期间也能实现可靠检测。为了将基于重建的模型扩展到整个风力涡轮机舰队，Roelofs等人[84]证明，在源涡轮机上预训练的自编码器可以通过迁移学习成功适应目标单元，即使只有几个月的历史数据，从而有效监控历史数据仍然不足的新工厂。近年来的研究转向通过图和多尺度分析来建模空间相关性，使其成为最先进的重建架构之一。对于风力涡轮机而言，一个关键问题是叶片结冰，这对它们的空气动力学和结构完整性有负面影响。Wang等人[85]通过beta-VGATAE框架解决了这个问题，该框架使用图注意力网络（GAT）来提取传感器相互作用的空间结构。尽管冰识别通常与诊断相关，但作者强调该模型提供了一个基本的异常检测工具，可以识别名义状态和结冰叶片之间的动态差异。同样，Duan等人[86]引入了基于Transformer和ResNet的TCAD模型，以关联多变量序列中的全局和局部依赖性。沿着这一方向，Y. Zhan[69]的工作之前在预测背景下讨论过，利用其混合结构弥合了预测和基于重建的异常检测之间的差距，通过图注意力网络将下一个值的预测与空间重建结合起来。通过这种方法，模型通过突出预测动态与全局信号一致性之间的差异来识别异常。Luo[87]通过METG模型完成了这一领域的研究，该模型结合了图网络和记忆模块，以防止罕见的异常模式被过于如实地重建，从而提高了系统区分关键偏差与名义行为的敏感性。概率生成模型的采用进一步改进了在重噪声下检测初期故障的能力。Fan等人[88]提出了TCVAE-GAN模型，用于风力涡轮机轴承，结合了VAE的稳定性和GAN的区分能力。对于蒸汽轮机，Xu和Zhang[89]提出了ELSTMVAE（增强型长短期记忆变分自编码器）架构。该模型将LSTM架构与变分自编码器（VAE）集成，并在潜在空间中使用高斯混合模型（GMM）；这种集成允许建模复杂分布并消除固有的训练异常，确保了精确的分类。Alper[90]确认了这些方法对齿轮箱的有效性，而Yang等人[91]将VAE和神经常微分方程（ODE）结合，以预测风力涡轮机叶片的动态响应。该模型通过分析重建动态与测量动态之间的差异来识别渐进式退化，如由机械疲劳和循环空气动力负荷引起的侵蚀或裂纹。在海洋领域，Dabaja[92]使用基于GAN的架构提前数周识别船舶发动机空气系统中的故障。这些方法的演变导致了重建与专门检测范式的整合。例如，Peng[93]引入了DUA-SVDD（深度无监督自适应支持向量数据描述）模型，该模型定义了一个几何超球来包围正常运行数据。该网络同时最小化重建误差和超球体积，为风力涡轮机提供了自适应的报警阈值。最后，Liang等人[94]引入了ExpertAP框架，应用于蒸汽轮机，解决了单机组监控的局限性。通过与多个单元的历史模式学习，类似于人类专家，该模型通过多机组预训练和知识转移减轻了异常标签的稀缺性，显著提高了潜在故障的识别能力。

总结来说，用于涡轮机械异常或故障检测的重建方法在提取能力和架构复杂性之间取得了平衡。虽然AE架构广泛应用于燃气轮机和风电场[76,77]，能够自动提取显著参数，但它们在重建误差的物理解释方面往往存在局限性。为了解决这个问题，VAE模型为健康监测系统提供了坚实的概率基础[85]，尽管高斯分布的假设可能限制了它们捕捉高度非线性操作变化的精度。GAN[92]确保了对这些复杂分布的更高保真度建模，尽管它们在训练过程中可能存在不稳定性。同时，扩散模型[78]在对抗SCADA信号噪声方面被证明是有效的，但它们需要特定的调整来处理涡轮机械的快速时间动态。当前的演变趋势是朝向混合和多单元框架[69,94]，这些框架旨在通过整合多种范式来克服个别约束，实现更可靠和可解释的诊断。专注于基于重建的方法的研究总结在表2中。表2. 最近关于涡轮机械异常和故障检测的基于重建方法的文献综述。

4.1.3 对比方法
从基于重建的检测向学习判别性潜在表示的演变重新定义了旋转机械的监测。如前一节所讨论的，D. Liu等人[80]引入了CSiamese框架，该框架将计算自动误差（CAE）与孪生网络结合，用于衡量重建的相似性。这种方法虽然与之前分析的重建模型有共同的根源，但使用三角损失来优化不平衡数据集的参数，克服了标准模型在燃气轮机中的局限性。在像涡轮机这样的工业环境中，一个反复出现的问题是难以获得涵盖所有可能故障类型的数据库。在这方面，J. Chen[95]解决了标签稀缺的问题：模型不寻找特定故障，而是学习掌握机器的正常行为。他提出了TCN框架，这是一种无监督方法，利用神经变换和时间对比学习来捕捉复杂模式，而无需负样本，从而防止表示崩溃。作者将该网络应用于蒸汽轮机，作为某种短期到中期的历史记忆。得益于扩张卷积，它可以感知非常宽的时间窗口。如果信号序列（例如，压力上升而温度异常下降）与训练期间学到的内容不符，模型会发出警报。Chen方法的独特之处在于它不需要故障示例进行训练；相反，它将当前信号与其转换后的版本进行比较（一种自我监督的方法）以验证潜在表示的一致性。管理SCADA数据的内在挑战，如不平衡和环境噪声，是最近研究的中心主题。Sun等人[96]开发了匹配对比学习（MCL）方法，在潜在空间中引入固定参考点（标杆），以引导数据分布向稳定中心靠拢，即使故障示例很少也能确保可分离性。在另一项工作中，同一组作者[97]采用非参数回归来净化高气象变异性场景中的信号。由于环境变量与涡轮机响应之间的关系是非线性的，该方法通过建模名义行为来计算预期值和测量值之间的差异。通过隔离这种干净的信号，对比学习定义了健康叶片和损坏叶片之间的更清晰边界，无论空气动力负荷或天气条件引起的波动如何，证明了其在叶片异常检测方面的有效性。为了处理罕见或新故障，X. Liu等人[98]使用了基于动量编码器和一次性学习逻辑的Meta-Analogical Momentum Contrast Learning（MACL）方法，允许仅通过一个示例即可识别异常。同样，他们也解决了叶片结冰的问题，因为冰会微妙地改变叶片的质量和空气动力轮廓。像Z. Wang[99]这样的研究人员应用了无监督和不平衡半监督对比学习（UISSCL）框架，在半监督环境中优化识别。利用对比学习，该模型在训练期间学习提取基本信号特征（振动、功率和风速）；然后，引入少量可用的标记数据。网络使用这些锚点来映射数据集的其余部分。最后，该框架优化了数据在潜在空间中的位置，使得罕见的结冰事件不会被大量的正常数据所压制或忽略。Guo等人[100]改变了策略但仍然属于对比学习家族，他们构建了一个K-最近邻图（KNNG）来映射传感器互连，然后使用图对比学习（GCL）根据图的结构训练网络来识别故障。对比学习基础深度学习方法与物理知识的融合代表了进一步的方法论支持。在这种观点下，Qiao等人[101]通过将故障特征频率整合到称为Prior Knowledge Embedding Contrastive Attention Learning Network（PKECALN）的模型中，利用先验知识。它由基于1D深度卷积神经网络（1D-DCNN）的骨干网络与自定义的序列注意力模块（SAM）组成，从振动信号中提取多尺度时频特征，并整合先验知识（故障频率）以在样本较少时改进诊断。Miyamoto[102]和C. Wang[103]使用对比学习来解决异常检测中的视觉混淆问题。具体来说，Miyamoto提出了Adaptive Activated Anomaly Detection（AAAD）模型，该模型在训练期间隔离检查目标与可变背景，以在标记图像较少的情况下找到潜在故障。同时，参考文献[103]引入了Spatial Contrast and Semantic Difference Perception Network（SSPN），用于航空发动机叶片的精确损伤分割，实现了在损伤边界处的极高准确性，并防止图像处理过程中的空间细节损失。Qin[104]提出了基于ResNet的时间序列和图像预训练编码器（TIPE）模型，通过多模态对比学习框架在燃气轮机中对压力信号和燃烧图像进行对齐，以检测热声不稳定性。最后，当前的研究前沿转向了利用大型语言模型（LLM）提供的描述性语义的集成。为了决策支持，Y. Li[105]开发了基于YOLO（You Only Look Once）[106]的LLM-YOLOMS，其中在多尺度（MS）上执行的视觉检测结果被转换为文本属性，并由LLM解释以提供维护建议。Tang等人[107]引入了基于LLM的解释器，能够将高频SCADA数据转换为自然语言健康评估，克服了传统诊断的刚性，其中人类操作员在没有中间工具的情况下几乎无法识别异常，而传统的异常检测系统通常只提供二进制警报（0或1）而没有进一步解释。

对比学习为旋转机械监测提供了显著的优势，特别是在通过稳定的潜在中心管理极端类别不平衡[96]和从未标记的数据中学习捕获名义行为[95]方面。它整合先验知识[101]和对齐多模态信号[104]的能力，在低标签条件下提高了诊断的鲁棒性。然而，这些方法通常需要精心设计负样本以防止表示崩溃，这一限制通过像CSiamese[80]这样的混合架构得到了有效解决，这些架构利用重建目标和三角损失来稳定训练。此外，纯对比模型可能对环境噪声敏感，而没有特定的预处理[97]。相反，基于LLM的框架[105,107]为维护技术人员提供了更好的语义可解释性和少量样本的适应性，将结构化检测转化为可操作的维护建议。尽管有这些优势，将LLM直接应用于时间序列数据仍然是一个挑战，需要特定的提示策略才能有效。此外，正如当前调查[38]所强调的，LLM在索引或解释异常点时可能会产生幻觉，并且可能在处理高度复杂、依赖于上下文的时间异常时遇到困难。因此，遵循工业5.0范式，整合人类在循环中（HITL）的方法仍然是必要的，以确保AI推理与领域专业知识相验证，确保深度学习输出作为决策支持而不是自主替代[35]。与对比学习相关的工作总结在表3中。表3。关于涡轮机械异常和故障检测的对比学习文献综述。4.2. 混合物理信息家族

作为异常和故障检测的第二类方法，混合方法整合了领域知识。主要方法包括顺序耦合，其中基于物理的模型用于生成参考特征，这些特征随后通过深度学习架构进行分析[109]。另一种方法是物理信息神经网络（PINNs），它们将偏微分方程（PDEs）直接嵌入到损失函数中。这些框架通过作为传统数值方法（如FEM或CFD）的有效替代品来解决正向问题，实现不可测量关键量（如等效应力、疲劳或整个速度和压力场）的实时估计[110]。同时，在逆问题中，PINNs从观测到的传感器数据中推断未知参数或源项（如热流[111]。对于诊断而言，这使得基于物理不一致性的异常检测成为可能，并能够直接比较模型输出和传感器读数或名义参考值，从而促进直接的故障量化，并为复杂的涡轮机健康管理提供基础[16]。尽管属于这一混合物理信息家族的各种方法有所不同，但它们将在本小节中一起进行分析。

混合物理信息架构的分析

将神经网络与物理定律相结合的方法可以克服每种单独方法的局限性，创建出稳健可靠的系统。这些方法帮助数据驱动的技术应对数据稀缺、过拟合以及物理领域计算成本高昂的情况，将CFD模拟加速高达70%，并实现在线监控和实时优化[112,113]。特别是，即使操作数据嘈杂或不完整，它们也能利用已知的物理信息，确保预测与领域定律保持一致。

第一条研究路线是通过PINNs将物理方程直接纳入优化过程。Lai等人[114]提出了一个针对核涡轮机的多阶段框架：该模型通过求解Navier-Stokes方程将问题分解为顺序阶段，监测流量和流量系数（????），并相对于参考基准检测阻塞、内部泄漏和粘附现象。在风电领域，Pei等人[115]开发了一个分层架构：数据清洗模块从SCADA信号中去除异常值，GRA-LSTM网络评估涡轮机状态，BiLSTM-PINN根据基本理论动能方程（?? ∝??3）预测功率。虽然实际涡轮机的指数通常较低（大约2-2.5），这是由于机械-电气损失和Betz极限，但该架构利用这种物理基础来纠正不一致的偏差。Mittal等人[116]使用基于聚类的插补方法处理故障传感器，使PINN能够在数据不确定的情况下规范功率曲线，同时保持物理一致性。Gijon等人[117]在真实的SCADA数据上结合了PINNs和基于证据的深度学习，直接对输出（功率、扭矩和功率系数）进行概率分布的参数化。物理约束使得能够区分认识论不确定性和随机不确定性，尊重基本空气动力学关系，并减少在采样稀疏的操作区域中的不确定性。对于机械组件，Zhang等人[118]提出了CNN-IPINN：CNN从齿轮箱振动信号中提取特征，而PINN解决齿轮啮合硬度方程。这种双管齐下的方法确保故障诊断与机械动力学一致，超越了简单的统计模式识别。

第二条研究路线涉及将物理一致性嵌入生成模型和架构中。Zideh和Solanki[119]开发了物理信息卷积自编码器（PIConvAE），以保护分布式能源资源（DER）高度渗透的电网。与传统自编码器不同，后者仅最小化统计重建误差，这个模型将节点功率平衡方程的残差整合到损失函数中。这样，不仅在数据偏离学习模式时能够检测到异常，而且在违反物理约束时也能检测到异常，从而能够检测到诸如虚假数据注入之类的隐蔽网络攻击，这些攻击在统计上难以察觉但在物理上是不一致的。在风力涡轮机监控中，Wu等人[120]开发了物理信息补丁变换器，它主要作为预测模型使用，同时直接将物理知识整合到其架构中。这种区分有助于区分自主特征学习和物理一致性在结构上得到强化的混合模型。该模型通过时间段上的物理一致性约束注意力机制。这种方法稳定了涡轮机行为建模，能够在关键事件发生前5天预测故障，减少维修后的误报，并允许维护人员准确定位故障源，优化维护干预。在齿轮传动的背景下，Yue等人[121]提出了物理信息辅助的多重自编码器（PI-AMAE），用于无故障历史数据的零样本场景。该框架结合了一个集总参数动态模型，生成称为信号孪生的合成故障数据，使系统能够识别在运行中从未观察到的异常。同时，Duan等人[122]使用PyGRU（物理信息门控循环单元）处理风力涡轮机中的噪声和随机数据，整合物理约束来模拟不确定性。PyGRU减少了正常数据上的认知不确定性，并提高了对异常数据的敏感性，改善了检测效果并减少了由于固定阈值引起的误报。

物理知识还有助于在数据条件有限的情况下生成合成数据以训练网络。Alblawi[109]模拟燃气涡轮机的退化以训练多前馈人工神经网络（MFANNs）并隔离环境影响，而Schr?der等人[123]通过迁移学习解决风载荷监测的稀缺问题，在使用实际数据进行精细化之前进行空气弹性模拟。这样的虚拟感知策略仅使用SCADA数据就能实现准确的实时疲劳载荷估计。同样，Huber等人[124]展示了物理信息数据增强的有效性，通过生成基于物理的故障轨迹并将其与名义数据混合来训练能够识别罕见故障的分类器。在旋转机械极端类别不平衡的背景下，Li等人[125]采用基于物理模型的生成策略来创建信号孪生并训练对比网络。在这种情况下，作者没有使用标准的PINN架构：物理知识不作为成本函数中的约束，而是通过集总参数动态模型在上游应用，生成作为训练数据的故障振动的合成副本。Perez-Sanjines等人[126]和Jamil等人[127]开发了风力涡轮机的故障检测方法，认为原始数据通常过于嘈杂，不适合直接用于深度学习。相反，他们使用循环谱共性（Cyclical Spectral Coherence），这是一种基于旋转组件运动学的信号处理技术来提取隐藏在噪声中的循环平稳特征。这些具有物理意义的2D图作为输入用于深度分类器（CNN），从而能够可靠地检测整个机群中齿轮箱的初始故障。Freeman等人[128]解决了海洋涡轮机转子不平衡的问题，这种情况常常被水动力不稳定性掩盖。作者将从流体计算得出的湍流强度整合到一维CNN中。TI作为显式输入特征和物理信息损失函数内的调节器结合使用，使模型能够区分环境波动和真实的结构异常，改善了隐藏故障的检测。Lee等人[129,130]和Chen等人[131]研究了将物理特征与高级优化算法相结合的方法。Lee利用粒子群优化（PSO）在校准不平衡的风力SCADA数据上的CatBoost分类器，而Chen最大化实际数据与物理模拟故障状态之间的差异，以优化LSTM对损伤症状的敏感性。最后，Khan等人[132]将物理引导的贝叶斯神经网络应用于风力涡轮机传感器网络，利用操作变量之间的物理相关性以概率置信度检测传感器故障。

优缺点

正如上述工作的回顾所证明的那样，将物理知识整合到深度学习模型中可以追溯到三种集成范式，每种范式都有其特定的优点和局限性。第一种范式是物理信息损失（PIL），这是PINNs的典型特征，它将物理知识作为外部约束：网络保持标准架构，但其预测违反基本领域定律时会受到惩罚[115,116,117]。主要优点包括在数据有限的情况下效率高且无需网格，从而简化了复杂几何体的建模[114]。此外，能够在单一框架内解决正向和逆问题，这是识别未知参数的独特优势[111]。然而，PINNs面临重大的优化挑战：僵化的多尺度损失景观使得收敛变得困难，需要极其精确的权重调整。它们在逆问题中也对噪声非常敏感，信号退化可能导致参数估计偏差。第二种范式是物理信息架构（PIA），通过将物理知识直接结构化地整合到网络构建块中，如在补丁变换器[120]、PI-AMAE框架[121]或PyGRU单元[122]中实现，确保每个中间模型状态都符合物理约束，提高了结构鲁棒性。最后，第三种范式是物理驱动的数据生成（PDDG），利用物理知识创建理想的合成数据集来训练网络[109,123,125]。虽然这种策略彻底解决了类别不平衡和实际样本稀缺的问题，但其有效性完全取决于原始物理模型的准确性：任何上游建模错误都会不可避免地被深度学习系统继承。表4提供了关于物理信息方法研究的概述；在这种情况下，最后一列报告的是集成范式（PIL、PIA和PDDG），而不是发表日期。

表4. 关于涡轮机械异常和故障检测的混合物理信息方法的最新文献综述。综合本节分析的异常检测领域，尽管所审查的架构已经发展到了较高水平，但它们在不同涡轮机机群中的泛化能力和在严重传感器噪声下的保持准确性代表了一个重要的前沿问题，将在“第5节研究缺口和未来展望”中进一步探讨。

5. 现代涡轮系统中的预测和维护期限（RUL）估计

在过去十年中，涡轮系统的预测性维护已逐渐从传统的机器学习转变为深度学习架构[133,134]。这种转变是由深度模型处理高维监控数据和自主提取退化模式的优越能力驱动的[135,136]。然而，RUL估计仍然在很大程度上依赖于需要完整运行到故障历史的广泛数据集的监督范式[134]。为了与上一节中建立的异常检测分类法保持一致，RUL预测的方法可以严格分为两大类：纯深度学习用于RUL和物理指导的RUL。为了解决全面标记数据稀缺的问题，最近的研究表明，将物理原理与神经网络作为交叉层结合可以克服纯数据驱动模型的局限性[16,137]。尽管标准深度学习取得了成功，但预测的未来也在于混合方法[36]。为了反映这一核心方法论的分裂，以下讨论通过明确对比这两种架构领域来分析最近的发展。

5.1. 纯深度学习用于RUL

在纯数据驱动的领域内的研究主要集中在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来克服对大量标记数据集的依赖。J. Sun[138]提出了一种用于航空航天燃气涡轮机性能的深度学习方法，采用半监督方法。他们没有使用完整的物理模型，而是使用深度学习构建了一个能够提取多维健康指标的性能数字孪生（PDT）。类似地，Y. Wang等人[139]引入了FCDAE-CNN-LSTM模型，用于涡扇发动机，这是一个半监督系统，它使用自动编码器进行信号去噪，减少了环境噪声和诊断标签稀缺带来的误差。Elsherif等人[140]专注于深度特征提取，将监督式的CAELSTM网络应用于涡扇发动机，监控C-MAPSS数据集中的多传感器遥测数据（温度、压力和转速）。尽管模型复杂，但该方法仍然严格依赖于数据，使用卷积自编码器进行噪声减少，并使用注意力机制识别最相关的时间退化序列。在风力涡轮机齿轮箱轴承的背景下，Ke He等人[141]通过引入自校准时间卷积网络（SC-TCN）专注于高频振动信号分析。这个监督模型是纯深度学习，但引入了一个重要的数学创新：一个架构自校准模块，旨在保留振动传感器中的局部信息，这在标准TCN的膨胀卷积中通常会丢失。这允许捕捉到预示磨损的振动信号的微小变化，克服了传统时间网络的局限性。这些系统的灵活性进一步由Jiaze Li[142]进行了探讨，他应用了多模态迁移学习到飞机涡轮机上，以在不同运行状态下转移剩余使用寿命（RUL）的知识。最后，将预测扩展到多种物理信号，完成了数据驱动的方法体系。Atsafack等人[143]使用物联网数据和监督学习的CNN-LSTM网络来预测水力涡轮机的剩余使用寿命，实时监控电气和液压参数。在热电发电厂中，Dayang Li等人[142]通过将在线油质监测数据（粘度、湿度和磨损颗粒）与输出功率通过LSTM网络进行关联，来预测蒸汽涡轮机的退化趋势。这与Lei Sun等人[144]的工作相联系，后者证实了监督学习的RNN和CNN在蒸汽涡轮机功率预测中的有效性。总结这篇综述，Rengasamy[145]提出在航空发动机深度模型中使用非对称损失函数，以优化监督预测，避免可能影响运行安全的剩余使用寿命低估。

5.2. 物理指导的剩余使用寿命（RUL）

为了克服上述纯统计模型的可解释性和泛化限制，预测文献强调了将物理模型和深度神经架构结合用于剩余使用寿命（RUL）估计的兴趣日益增长。在这方面，Ang Li[146]提出了应用于海洋蒸汽涡轮机的Phy-DeepLSTM框架。这是一种基于物理知识的监督式混合方法，用于系统级数字孪生建模；该模型将热力学约束集成到DeepLSTM网络中，以确保在运行瞬态期间的物理一致性，从而提高了准确性。同样，Yucesan和Viana[110]引入了一种用于风力涡轮机主轴承剩余使用寿命估计的监督式物理信息网络（PINN）。他们的模型是完全可以混合的，旨在将基于扭转和轴向载荷的疲劳建模的物理层与负责捕捉复杂随机现象（如润滑脂的化学降解）的数据驱动层结合起来。Zhang等人[147]的工作专注于热机械应力的管理，他们开发了一种PINN来预测在高温下运行的组件的蠕变疲劳寿命。这种监督模型通过专门的特征工程和受限损失函数整合了物理知识，即使在数据集较少的情况下也能有效运行。在风能领域，Zheng Wang等人[148]使用监督式的混合PI-LSTM网络来处理齿轮箱轴承的剩余使用寿命。关于机械磨损机制的先验知识的整合指导了网络的学习，即使在样本有限的情况下也是如此。类似地，Huber等人[124]将这一理念扩展到燃气轮机，利用混合模型通过物理支持数据增强来生成合成故障场景，使得在真实数据稀缺的情况下，监督预测显著更加稳健。Lu等人[137]提出了基于数字孪生的齿轮箱剩余使用寿命估计架构。通过使用高保真度的虚拟模型来模拟退化轨迹，他们的框架有效补偿了缺乏实际运行到故障数据的问题。此外，作者引入了水波信息传输网络来处理多变量时间序列，该网络比传统的循环网络更稳定地捕捉长期依赖性。表5总结了纯数据驱动和物理指导的剩余使用寿命预测方法的研究。

6. 现代涡轮机械诊断中的根本原因分析

从Root Cause Analysis（RCA）的经典方法，如Ishikawa图和FMEA开始，在工业5.0时代，根本原因分析正朝着现代化和高度自动化的方式发展[150]。现代涡轮机械的高操作复杂性使得纯手动诊断变得过时，需要转向数据驱动的方法，这在文献中得到了广泛讨论[151]。在当前的工业环境中，已建立的框架依赖于概率和因果推理。贝叶斯网络（BN）起着核心作用：它们利用联合概率和先验知识，通过追踪故障在子系统中的传播来准确隔离根本原因。与此同时，模糊认知映射（FCM）被广泛用于在不确定性条件下建模因果关系，为操作员提供了易于解释的逻辑层。为了处理原始传感器流的复杂性，这些推理工具越来越多地与深度学习架构相结合。在这个背景下，CNN被用来提取特定的故障特征（特征提取），而不仅仅是分类，LSTM网络和注意力机制已成为捕捉长期时间依赖性的事实标准。然而，正如Pietsch等人[35]指出的，这些算法的大规模采用遇到了语义稀疏性的限制：尽管深度学习在检测数值相关性方面非常强大，但它往往无法解释物理原因。为了弥合这一差距，最先进的研究正朝着使用图形神经网络（GNN）来保持机器拓扑结构和大规模语言模型（LLM）来处理非结构化知识（如维护日志）的方向发展。这种转变为混合智能铺平了道路，在这种智能中，计算能力通过专家（人在回路中）的存在得到验证。这种协同作用完美体现了工业5.0的范式：一种以人为中心的方法，其中技术支持操作员，增强了诸如复杂决策和高级问题解决等不可替代的技能。因此，本节专门分析了与涡轮机械RCA相关的最新研究，专注于纯数据驱动的模型。

随着预测技术的发展，研究越来越多地针对RCA的自动化，将诊断从反应式转向主动式，通过整合概率模型、图和人工智能。在这个领域，Gugaliya[152]提出了一种基于多PCA的方法来处理燃气轮机。该方法通过聚类操作数据来增强传统PCA的功能；其附加价值在于通过识别单个传感器中的统计偏差来隔离故障，充当了经典统计和机器学习之间的桥梁。为了提高可解释性，C. Zhang等人[108]引入了一个针对风力涡轮机的AIOps框架，使用LSTM-AVAGMM模型和SHAP技术。SHAP的应用通过量化每个传感器对异常发生的贡献来处理深度学习的不透明性，为操作员提供了透明的诊断。最新的研究前沿探索了基于图的架构，以尊重机械的物理拓扑结构。L. Yuan等人[153]提出了GAT-BN模型，它结合了图注意力网络和贝叶斯网络用于飞机引擎。这种架构允许自主学习节点的重要性，沿着引擎的物理结构建模故障传播。基于这种拓扑视角，Mourya和Tyagi[154]提出了一种基于GNN和动态贝叶斯网络的系统，用于海上涡轮机械，引入了维护因果循环的概念，以弥合孤立信号和优先维护行动之间的差距。Ofoedu等人[155]进一步扩展了实时诊断能力，他们使用LSTM网络来捕捉序列数据中的时间因果关系，并使用贝叶斯网络来建模海上过程故障中的概率依赖性。他们的混合框架有效地整合了分布式传感器流，以高精度隔离根本原因；特别是，深度学习和概率推理的结合使用允许管理实时数据的内在不确定性，与基于阈值的系统相比大大减少了误报。最后，生成式AI正在改变非结构化知识的管理方式。Vitale[156]探索了使用LLM和信息检索来处理燃气轮机和压缩机，将自然语言描述转化为结构化的诊断洞察。R. Shi等人[157]提出了一种基于知识图和LLM的智能RCA方法，用于蒸汽涡轮机。他们的系统构建了一个特定于领域的涡轮组件（例如叶片、轴承）的图，并利用语言模型的推理能力来识别质量事故和操作故障的根本原因。表6总结了关于涡轮机械RCA和高级诊断的最新文献。

7. 比较分析

为了客观评估架构，引入了五个合成指数来反映工业监控的基本方面：

性能指数（P-Index）：通过优先考虑F1分数或在缺乏F1分数时考虑准确性、AUC和预测误差或标准化预测误差来量化诊断的可靠性。

数据效率指数（DE-Index）：评估使系统运行所需的历史数据量，奖励那些能够在最小训练集下收敛的模型，与需要大量数据基线的架构相比。

推理时间指数（IT-Index）：评估在有限硬件上的响应性和适用性，区分快速可并行化的架构和因重新计算空间关系而负担沉重的动态模型。

可解释性指数（I-Index）：衡量支持识别故障原因的能力，区分黑盒模型和允许明确可视化驱动警报的传感器的透明架构。

泛化能力指数（GC-Index）：量化模型扩展到整个机队的准备情况，而无需重新训练。在涡轮机械中，泛化受到传感器容差、环境和系统退化状态的阻碍。

7.1. 合成指数定义的方法论

为了确保可重复性和客观性，分配的分数来源于元分析合成算法。这种方法允许将调查工作的技术特性和数值结果映射到一个共同的度量标准上。

7.1.1. P-Index的方法论推导

性能指数根据以下八个规则确定：

F1分数优先级：这是监控的主要指标。鉴于该领域故障的罕见性，F1分数是评估不平衡类别上实际异常检测能力的最可靠指标。

准确性/AUC层次：在缺乏F1分数的情况下，采用准确性或AUC作为替代指标。这些值已经在0-1的范围内，直接纳入计算中。

错误的逆归一化：在F1分数、准确性或AUC不可用时使用，用于重建或预测误差。为了将这些误差指标与性能指标进行比较，使用逆线性归一化转换均方根误差（RMSE）、平均绝对误差（MAE）和均方误差（MSE）值：????=1???????????????????????????????，其中????表示第i项工作的指数结果，????是报告的误差指标值。参数????????和????????分别是同一方法论家族内或与同一基准相关的数据的最小值和最大值，特别是当这些数据结果是孤立的时候（即只出现在1或2项工作中）。

MAPE管理：在缺乏RMSE和MAE的情况下，平均绝对百分比误差（MAPE）类似于其他误差指标进行处理，被归一化并反转以在预测工作中保持统计信息。

异构指标管理：如果一个子家族呈现混合指标，则对报告预测误差的每项工作进行单独归一化，使其可以与原始的0-1范围值（F1分数、准确性、AUC）进行比较。

最大值规则（SOTA）：对于每项研究，提取最佳性能配置的结果，从而映射所提出架构的最大潜力。

单例管理（外部基准）：如果一个错误指标仅出现在子家族中的非常少量的工作中（1或2项），导致内部归一化失去意义，则将该值与该系统的已合并外部基准或已知的SOTA进行比较。

汇总平均值计算：子家族的最终P-Index是所有单独????值的算术平均值，确保每项研究对最终统计权重都有相同的贡献。

某些方法论界限适用于所提出的框架。评分取决于作者报告的具有不同严格性的指标，而算术聚合则不考虑研究规模。此外，不同的数据集和协议阻碍了直接的研究比较。由此产生的指数作为识别架构趋势的相对基准，而不是绝对性能测量。

7.1.2. 定性指数（DE, IT, I, GC）的评分标准

与架构和操作属性相关的指数是通过声明的技术特征的有序映射确定的。每个子家族的最终得分是通过根据以下评分结构表7计算分配给各个作品的值的平均值获得的：表7。基于建筑和操作特征的定性综合指数的序数评分标准。在这个框架中，DE-Index的分配主要反映了每个范式中固有的训练要求的定性综合。较高的分数（1.0）通常与利用先验知识在有限样本下达到收敛的物理信息型或少量样本模型相关联，而较低的分数（0.3）通常描述了纯粹数据驱动的架构，这些架构往往需要大量的历史基线来有效地模拟系统动态。我们承认，尽管这种元分析综合是基于严格的标准，但它受到作者报告的数据和原始作品的特定实验配置的影响。然而，该方法允许克服纯粹的定性评估，为在涡轮机械领域采用AI解决方案提供了定量指导。依靠这些评估指标，以下小节系统地评估和基准测试了三个主要PdM任务中的方法论架构：异常和故障检测、RUL估计以及RCA。7.1.3. 说明性示例：基于图的方法的GC-Index计算为了满足方法论透明度的要求，表8展示了“基于图的重建”子家族中通用能力指数（GC-Index）的评分过程。这个示例演示了如何将从文献中提取的定性特征映射到序数分数（0.3、0.7、1.0）以得出最终的总分。表8。基于图的重建方法中GC-Index的详细评分示例。如所示，得出的0.6指数不是任意分配的，而是作者声明的建筑特征和验证设置的可重现聚合结果。类似的过程被应用于所有论文，以计算P、DE、IT和I指数，确保不同方法论家族之间的标准化基准测试。7.2. 异常和故障检测：方法论基准测试本小节评估异常和故障检测方法，明确对比了纯粹数据驱动型家族与混合物理信息型家族。随后，根据它们的特定集成范式对物理引导方法进行了结构化和分析。最后，全球比较汇总了平均结果，以客观地对比这两个家族在异常检测方面的整体操作影响。7.2.1. 纯粹数据驱动家族的比较分析在这里，通过将纯粹数据驱动的方法（预测、重建和对比）分为特定的子家族来进行分析；这种方法允许将使用类似深度学习架构的作品分组，从而根据本节之前定义的指数评估它们的不同性能。预测型架构对涡轮机械监测中的技术演变进行了研究，这种演变正从简单的时间分析转向能够映射不同传感器之间物理布局和关系的模型。在这个领域中，已经确定了四个主要的架构子家族，如表9所总结的。表9。基于预测的方法的架构子家族总结。一旦为预测组中的每项工作计算出各自的指数，就使用算术平均数将这些值按家族汇总，生成图8中呈现的雷达图。这种定量综合不仅突出了每种范式的优势，还为根据特定工业约束选择最合适的架构提供了决策指南。尽管GNN是最近文献中最突出的子家族，但指标显示了一个显著的权衡：虽然这些架构在可解释性和空间准确性方面表现出色，但它们需要更高的计算资源和数据量。相比之下，基于LSTM和TCN的模型仍然高效，执行速度和工业准备度之间的平衡更为优越，尽管在诊断透明度方面有所牺牲。图8. 预测架构子家族的比较分析。重建型架构采用之前使用的相同评估协议，我们检查了属于重建方法宏观家族的22项贡献。文献分析确定了四个不同的架构子家族，如表10所总结的。表10. 基于重建的方法的架构子家族总结。根据引入的五个指数计算的这些子家族的平均性能在图9的雷达图中进行了可视化。数据显示，循环自编码器（Recurrent AE）子家族成为最平衡的解决方案，保证了最大的诊断可靠性，并且计算成本适中。然而，当主要约束是执行速度时，例如在边缘系统或高频振动分析中，卷积（Convolutional）子家族在时间效率方面明显占优，精度上的牺牲最小。图9. 重建架构子家族的比较分析。对比学习型架构与之前使用的相同评估协议，我们检查了属于重建方法宏观家族的22项贡献。文献分析确定了四个不同的架构子家族，如表11所总结的。表11. 基于对比的学习方法的架构子家族总结。根据五个引入的指数计算的这些子家族的平均性能在图10的雷达图中进行了可视化。数据表明，循环自编码器（Recurrent AE）子家族成为最平衡的解决方案，保证了最大的诊断可靠性，并且计算成本适中。然而，当主要约束是执行速度时，例如在边缘系统或高频振动分析中，卷积（Convolutional）子家族在时间效率方面明显占优，精度上的牺牲最小。值得注意的是基于图的方法子家族：尽管计算要求更高，但它在可解释性和泛化能力方面也表现出色。这一结果是由最近的贡献推动的，例如ExpertAP [94]，展示了图结构如何促进不同单元之间的知识转移（迁移学习），克服了在单个单元上训练的传统模型的局限性。图9. 对比学习架构子家族的比较分析。7.2.2. 混合物理信息家族的比较分析在本小节中，将属于混合物理信息家族的方法论根据其集成范式进行了结构化和分组。这种方法允许针对它们的性能变化和不同结构方法之间的操作权衡进行有针对性的分析。将领域知识集成到深度学习模型中代表了安全关键系统中可靠预测的前沿。分析选定的20项工作后，我们确定了三种不同的集成策略，如表12所总结的。表12. 混合物理信息方法的架构子家族总结。图11中的定量评估显示了清晰的操作差异。PIA子家族实现了最高的数据效率指数，因为结构约束显著减少了达到收敛所需的训练数据量。相反，PDDG方法在推理速度方面表现出色，因为物理过程被卸载到了训练阶段，留下了一个轻量级的标准模型用于部署。PIL方法在诊断透明度方面提供了最佳平衡，因为遵循物理定律为模型的预测提供了内在的验证，尽管这通常以增加的训练复杂性为代价。图11. 物理信息集成策略的比较分析。7.2.3. 全局比较：纯粹数据驱动 vs. 混合物理信息为了表征所评估的异常和故障检测架构的全球操作行为，性能指标被汇总并平均，以直接对比纯粹数据驱动家族与混合物理信息家族。这项总体分析突出了经验学习和领域知识集成之间的宏观权衡，根据定义的性能指标指导工业模型选择。定量结果表明，混合物理信息架构在总体可靠性（P-Index）和数据效率（DE-Index）方面表现出色。物理约束的数学嵌入作为一个强大的正则化器，有效补偿了标记的失效样本的稀缺性。此外，这些模型实现了更高的可解释性指数（I-Index），因为遵循物理定律内在地验证了网络的内部逻辑。相反，虽然纯粹数据驱动家族提供了一个高度通用的基线，但其汇总分数在不同操作条件下的泛化能力（GC-Index）方面显示出局限性。值得注意的是，物理信息家族还展示了更优的平均推理时间分数（IT-Index）。这一违反直觉的结果是因为像PDDG和PIL这样的策略将物理模拟的重计算负担完全卸载到了离线训练阶段，留下了一个轻量级且响应迅速的模型用于实时部署，而数据驱动的平均分数则受到计算密集型动态图模型的影响。图12. 异常检测家族的全球比较分析：纯粹数据驱动 vs. 混合物理信息。注意：混合家族的高推理时间指数（IT-Index）源于将物理计算卸载到训练阶段，如7.2.3节所解释的。7.3. RUL模型的操作概况：纯深度学习 vs. 物理引导遵循第5节中建立的总体分类划分，RUL模型的性能评估通过明确对比纯粹深度学习家族与物理引导家族来进行结构化。这种二分法提炼了预测方法的演变，从纯粹的统计算法转向能够嵌入组件退化机制的混合架构。这两个领域的主要特征和参考文献在表13中进行了总结。表13. RUL预测方法的架构家族总结。这两个领域的定量评估在图13的雷达图中进行了可视化，揭示了显著的操作权衡。物理引导家族在DE-Index和I-Index方面占据压倒性优势。物理领域知识的集成，如疲劳和蠕变定律或高保真度数字孪生模拟，作为一个强大的数学正则化器；这种结构约束使得网络即使在极其有限的失效历史样本下也能有效收敛，特别是当使用合成退化轨迹来增强数据集时，并提供了证明剩余寿命估计内在透明的逻辑。图13. 比较雷达图，说明了纯深度学习和物理引导模型在RUL估计方面的操作权衡。相反，纯深度学习家族虽然结构透明度较低，但显示出更高的IT-Index。其优势源于优化后的架构（CNNs/LSTMs），这些架构在推理过程中绕过了物理约束。然而，包括专用加速模块在内的最新混合框架开始缩小这一计算差距。就绝对诊断可靠性（P-Index）而言，物理信息方法保持了轻微的优势，确认了在物理上可行的范围内约束神经网络可以防止不一致的外推，尤其是在组件接近其生命周期结束时。7.4. 根本原因分析：方法论基准测试涡轮机械中的故障诊断自动化不仅需要检测异常，还需要精确隔离其起源。鉴于所选的RCA方法的统计和数据驱动性质，保持了上一节中定义的评估框架。分析选定的工作后，我们确定了四个不同的方法论子家族，如表14所总结的。表14. 根本原因分析的方法论子家族总结。图14中的定量评估显示了清晰的操作权衡。需要注意的是，在计算P-Index时，优先考虑了准确性而不是F1分数。虽然F1分数是异常检测的标准，因为类别不平衡，但RCA研究通常在已知的故障类别的平衡子集上运行。在这种情况下，准确性提供了更直接的措施，用于衡量模型在竞争性故障模式中明确识别故障组件的能力，有效指导维护决策并防止错误的干预。从这个角度来看，因果关系与图（Causal & Graph）和解释器（Explainer）方法表现出最稳健的性能。然而，知识增强（Knowledge-Augmented）子家族为I-Index设定了基准：使用LLMs能够以自然语言提供诊断，有效地弥合了传感器数据和人类理解之间的语义差距。相反，统计/多变量（Statistical/Multivariate）方法在推理速度（IT-Index）方面表现出色，因为线性代数的计算成本低于深度神经网络。图14. 根本原因分析策略的比较分析。7.5. 工业部署：技术权衡和决策指南基于之前的方法论分析，本节总结了核心技术权衡，并提供了基于工业基础设施的模型选择实用指南。目标是通过平衡诊断准确性与实际操作限制来促进部署。7.5.1. 技术权衡的全球综合分析显示，在涡轮机械监控的架构选择中存在三个基本矛盾：可靠性与训练复杂性（P-指数与复杂性）：混合物理信息模型通过将物理定律作为数学约束嵌入，实现了更高的可靠性和数据效率[16]。尽管它们的高复杂性（H类）需要大量的离线训练工作，但它们提供了重要的工业优势：通过将物理仿真卸载到训练阶段，它们在部署期间保持了较高的推理时间指数（IT-指数）。可解释性与部署多样性（I-指数与纯数据驱动）：基于图的架构（GNN）通过映射物理传感器拓扑结构，代表了可解释性的基准。然而，它们需要对资产有详细的结构映射。相反，纯数据驱动模型（例如RNN-AE）更加通用，部署速度更快，但它们作为“黑箱”运行，诊断透明度较低。数据效率与泛化能力（DE-指数与GC-指数）：对比学习框架在GC-指数方面表现优异，非常适合管理多样化的机队。然而，在完全没有历史故障数据的情况下，物理信息解决方案和性能数字孪生模型无与伦比（高DE-指数），因为物理约束可以替代缺失的经验信息[16,83]。7.5.2. 工业实施指南模型选择必须与特定的硬件能力和操作环境相匹配，重点关注边缘计算和云计算之间的平衡：情景A：实时边缘监控：对于集成到本地SCADA或具有有限硬件的边缘设备中的部署，推荐使用卷积（CNN/TCN）或轻量级RNN架构[158]。它们在执行速度和资源需求之间的平衡最小化了网络延迟，并优化了分布式节点中的流式数据管理[159]。情景B：关键资产的高保真诊断：在安全关键的环境中（例如蒸汽涡轮机或核阀门），混合物理信息模型和带有不确定性量化的数字孪生是主要选择[16,83]。它们的物理一致性满足了不可妥协的安全要求；然而，尽管这些模型的离线训练和高保真同步需要可扩展的云计算基础设施来处理底层的数学复杂性，但它们的实时推理仍然轻量且适合响应式监控[158]。情景C：大规模机队管理：对于管理分布式资产（如海上风力发电场），基于云的远程监控平台是最有效的[160]。这些架构促进了迁移学习策略，减少了对单元特定重新训练的需求，并降低了长期维护成本[16,160]。这些架构的实际采用取决于它们是否符合国际标准，如用于数据处理的ISO 13374和用于诊断解释的ISO 13379-1[161,162]。特别是，可解释性指数（I-指数）作为诊断可追溯性的指标，反映了这些规范要求的透明度。具有高I-指数得分的架构有助于验证故障的根本原因，确保AI驱动的洞察力是可审计的并且符合工业安全协议。将评估框架与规范合规性对齐，促进了从实验性黑箱模型向认证监控解决方案的转变。8. 结论本研究系统而全面地回顾了应用于关键涡轮机械领域的预测性维护（PdM）的最新技术。通过对最近五年或六年的文献分析，研究了组成现代PdM流程的核心支柱：从专注于异常和故障检测的诊断，到预测剩余使用寿命（RUL）和复杂的根本原因分析（RCA）的预测。观察到了各种在文中使用的框架，不仅提供了总体概述，还分析了这些方法的优点和缺点。作为一项技术性和应用导向的综述，分析不仅关注架构理论，还关注数据框架和实际数据流的管理[20,35,47]。在诊断领域，对科学贡献的分类方法遵循了预测、重建和对比学习策略的明确三分法[38]。通过合成指数的定量基准测试表明，架构选择严格受工业权衡的驱动：基于GNN的模型在可解释性指数方面表现出色，因为它们映射了传感器拓扑结构，而RNN和TCN架构由于其优越的推理时间指数，仍然是实时边缘部署的最可行解决方案[67,71]。这些方法越来越多地结合了物理信息组件，包括特定的架构如PINN[109,121,126]。本研究强调，物理集成，特别是PIL和PIA方法，是提高数据效率指数的主要推动者，允许模型使用显著减少的历史数据集进行收敛，并克服了对完整季节性运行周期的传统要求[110,114,127]。在时间序列预测方面，高级框架利用混合方法来捕捉瞬态涡轮动态[67,72]，而基于信号重建的架构，如使用空间和时间自动编码器的架构[85,89]，对于在噪声环境中识别细微异常至关重要。在RUL估计方面，物理与深度学习的结合成为了一种成功的策略。基于物理信息深度LSTM架构[146]的工作和用于模拟轴承机械疲劳的混合模型[110]展示了领域知识如何在不同时间范围内稳定预测。同时，RCA经历了拓扑和语义革命。定量评估确定了因果关系和图方法，如改进的贝叶斯网络[153]，对于重建故障的方向传播至关重要。此外，大型语言模型（LLM）的开创性使用[156,157]为可解释性指数设定了新的基准，引入了自动推理能力，有效缩小了原始传感器数据与人类理解之间的语义差距。总体而言，这项工作确认，涡轮机械的PdM现在是一个成熟的数字生态系统，其中数据和物理的融合保证了更高的可靠性、安全性和可持续性，符合工业5.0的要求。然而，为了确保透明和客观的观点，必须承认这项综述本身的局限性。首先，调查的文献可能存在出版偏见，因为报告积极或高度准确结果的研究自然更有可能被发表。其次，搜索范围限于英文出版物，这可能会排除用其他语言记录的相关理论进步或工业应用。最后，特意关注2015年以后的深度学习和混合AI趋势意味着一些长期验证的传统方法，这些方法在某些工业领域仍然是标准做法，可能没有在这项分析中得到充分代表。尽管取得了进展，但仍存在几个技术瓶颈，定义了未来的研究方向：泛化能力和领域转移：纯数据驱动模型往往难以适应不同的发动机变体或操作场所，需要昂贵的单元特定重新训练来处理变化的传感器噪声和操作范围[16,38]。边缘可扩展性：从单单元成功过渡到全机队监控暴露了边缘节点的硬件限制，需要更强大的模型压缩技术和安全、低延迟的数据管道[159,160]。混合集成挑战：在联合损失函数中平衡物理一致性和经验数据在数学上仍然复杂，特别是对于老化资产，其中退化和变化的环境条件使得名义物理定律越来越不精确[16,83]。第7节中进行的基准分析为这些方向提供了直接的实证依据。纯数据驱动架构记录的低GC-指数定量确认了领域转移问题的严重性，推动了未来模型的发展，这些模型明确包含了跨异构涡轮机群体的少样本对比预训练。物理信息方法的DE-指数优势一致性地指向了在受限边缘硬件上可部署的轻量级PIA变体的开发，直接解决了上述的可扩展性瓶颈。最后，与动态图模型相关的IT-指数惩罚突显了需要保持拓扑表达能力的架构压缩策略，同时不牺牲实时响应性。这一进展与[16]中概述的混合AI成熟路线图一致。它确认了这里确定的方向是经过验证的下一步，而不是推测性的研究途径。解决这些差距对于超越孤立的数值RUL估计，向操作集成监控系统迈进至关重要。为了弥合限制高性能模型实际影响的语义差距，一个有前景的方向是LLM作为对比学习引擎的发展[95,105]，在AI输出和操作决策之间创建了一个语义桥梁。将LLM与可解释性技术[107]相结合，可以通过三阶段架构实现向规定性维护的过渡：预测核心识别异常，而基于检索增强生成（RAG）的语义翻译器将发现与技术手册进行交叉引用[156]。目标是创建一个对话式界面，不仅解释组件何时会失败，还解释原因，并建议立即采取行动。然而，在安全关键的涡轮机械环境中部署LLM受到技术幻觉的风险限制，模型可能生成无根据或事实错误的诊断建议[163]。为了确保操作安全，未来的研究必须实施主动的缓解策略，例如使用物理信息框架来评估LLM生成的场景与既定的物理约束[164]。此外，管理计算权衡仍然是一个基本挑战；虽然大规模模型提供了更好的推理能力，但能源行业和边缘环境需要高效的架构来平衡推理延迟和这些模型的高能耗[165]。除了这些挑战之外，标准化和互操作性方面也存在显著差距。目前缺乏开放标准，阻碍了AI模型在工业机队中的大规模采用[16]。与此密切相关的是学术方法与实际工业部署的规范框架之间的对齐。如ISO 13374[166]和ISO 13379-1[167] gibi标准对模型验证和透明度提出了严格限制，纯数据驱动方法本质上无法满足这些要求。此外，将学术研究与工业“灰色文献”（如技术白皮书和OEM最佳实践）统一起来是一个关键方向。将研究成果与规范合规性对齐，确保数据驱动的解决方案满足涡轮机械行业的操作要求。最终，人类操作员（Human-in-the-loop）的角色仍然是这一演进的核心要素。符合工业5.0范式，人工智能的目的是增强专家的决策能力，而不是取代他们。关于HITL的实施，出现了两条主要路径：LLM解释器和XAI增强的RCA。虽然LLM通过自然语言提供了改进人机交互的最直接解决方案[156]，但XAI增强方法为工业安全提供了所需的技术透明度[108]。我们认为，结合RCA的可解释性和LLM的可访问性的综合方法代表了工业5.0应用的最可行路径。因此，未来的挑战将是创建能够保留高级专家知识并普及复杂诊断访问的数字指导系统[35]。