综述：矿物工业中振动信号处理最新进展综述

《Minerals Engineering》：A review of recent advances in vibrational signal processing in the minerals industries

　　

振动信号处理已成为矿物工业中日益重要的工具（Mishra和Majumder，2023、2024），尤其适用于与状态监测、故障诊断，以及近期更侧重于诸如破碎机（Wang等人，2022）、磨机（Zeng和Forssberg，1993a,b）、输送带（Ojha等人，2014；B?a?ej等人，2025）和振动筛（Duda-Mróz等人，2021；Krukenfellner等人，2024）等设备的过程监测与控制相关的应用。随着数字仪器和传感器网络的发展，实时采集高频振动数据的能力为复杂动态处理环境中的数据驱动决策开辟了新机遇（Hassan等人，2024；Zhao等人，2026；Quy和Danh，2026）。该领域的最新进展受到信号处理技术发展的强力推动（Hassan等人，2024）。传统方法如傅里叶变换和小波变换正越来越多地被更自适应的方法补充，甚至在某些情况下被取代，包括经验模态分解（EMD）（Liu等人，2021；Masuda和Shiiba，2024）、变分模态分解（VMD）（Tang等人，2020；He等人，2021）以及其他先进的时频表示（Sheikhi等人，2013；Zhang等人，2020），这些方法更适合处理工业过程中振动信号的非平稳和非线性特征。与此同时，机器学习技术的集成，包括卷积神经网络（CNN）、循环神经网络（RNN）和自编码器，已实现了操作状态或故障的自动特征提取和分类。这些模型可以从有标签或无标签的振动数据中学习，以检测关键资产中的轴承故障、不对中或不平衡负载等现象，通常具有高精度且最少的人工干预。尽管取得了这些进展，矿物工业中现有振动信号分析工作的大部分仍固守一种范式，即主要将信号视为需按操作状态分类或解释的对象。在这种观点下，振动信号通常映射到离散的操作条件或故障类别，仅部分或特定地考虑产生观测信号特征的底层物理过程。虽然一些研究将频带或频谱能量分布等特征与特定现象或过程条件联系起来（例如，Hou等人，1998；Mishra和Majumder，2024；Tang等人，2026b），但这些关系通常针对特定系统开发，并未在更广泛的建模框架中一致地推广或嵌入。一个更具信息性的视角是将振动信号视为复杂多相系统底层过程动力学的投影。在矿物加工操作中，如粉碎、分级和冶炼，振动信号源于颗粒、流体和设备结构在多个空间和时间尺度上的相互作用。因此，观测到的信号不仅反映离散的操作状态，还反映连续过渡、随机波动和耦合的物理现象。需要承认的是，在实践中，特定信号特征与底层过程变量之间的详细映射往往难以明确建立，尤其是在矿石类型、矿浆性质和操作条件变化的情况下。这种复杂性促使了机器学习方法的日益增多，这些方法将振动信号视为高维模式，从中可以直接学习相关特征（例如，Wang等人，2021；Pan等人，2022；Tyeb等人，2024；Krukenfellner等人，2024）。虽然这些方法在分类任务中表现出强大的预测性能，但在变化条件下可能表现出有限的鲁棒性，并且对控制过程行为的因果关系提供的洞察有限。在过程信息框架内解释振动信号并不意味着对信号进行完全确定性的或第一性原理的描述，而是融入物理洞察以指导特征表示、模型结构和解释。从这个意义上说，数据驱动和物理信息方法应被视为互补而非竞争的范式。它们的整合为在复杂工业环境中开发更鲁棒、可推广和可解释的模型提供了途径，这些模型更适合过程监测和控制。在本文中，综述了振动信号分析的最新进展，特别关注矿物加工系统中的过程监测，而非传统的设备状态或结构健康监测。为了提供结构化的视角，考虑了一个通用的信号处理框架，包括信号采集、预处理、特征表示、建模和最终应用，尤其在过程控制中。在此框架内，重点放在新兴方法上，这些方法能够在复杂过程环境中更鲁棒、可解释且具有物理意义地使用振动信号。这些进展受到现代机器学习发展的强烈影响，下一节将讨论这些发展，随后综述在矿物加工中的应用。尽管在信号处理和机器学习方面取得了显著进展，振动分析在矿物加工中的应用仍然分散，物理过程理解的整合有限，跨操作条件的可推广性受限，并且仅在过程控制框架内部分采用。因此，本综述不仅调查了最新发展，还批判性地审视了这些局限性，以识别关键的研究空白和新兴方向。特别是，论文试图解决如何将振动信号更有效地与底层过程现象联系起来，如何开发鲁棒且可迁移的模型，以及如何将这些信号集成到监测和控制架构中。这些主题在论文后面章节中综合为一系列开放研究问题，定义了该领域未来的研究议程。

论文主体部分总结如下：

**1. 引言**
振动信号处理在矿物工业中日益重要，尤其用于破碎机、磨机、输送带和振动筛等设备的状态监测、故障诊断及过程监控。数字仪器和传感器网络的发展使得实时采集高频振动数据成为可能，推动了数据驱动决策。传统信号处理方法（如傅里叶变换和小波变换）正被经验模态分解（EMD）和变分模态分解（VMD）等自适应方法补充或取代，以更好地处理非平稳和非线性振动信号。同时，卷积神经网络（CNN）和自编码器等机器学习技术实现了自动特征提取和操作状态分类。然而，现有研究多将振动信号视为需分类的对象，缺乏对底层物理过程的深入理解，且模型在变化条件下鲁棒性有限。因此，论文提出将振动信号视为复杂多相系统过程动力学的投影，并强调数据驱动与物理信息方法的互补整合，以开发更鲁棒、可解释的模型，用于过程监测和控制。

**2. 信号处理框架**
该框架包括信号采集、预处理、特征表示、建模和过程控制应用。信号采集技术涵盖压电加速度计、激光多普勒测振仪、光纤传感器、高速摄像和无线传感器网络，各具带宽、灵敏度和环境鲁棒性等权衡。通信协议（如Wi-Fi、蓝牙、Zigbee）影响数据传输和边缘/云端处理。预处理包括去噪、归一化、重采样和分段，以消除噪声并准备信号特征。特征表示分为手工特征（如统计量、频谱分量、时频模式）和自动学习特征（通过监督或非监督学习，包括迁移学习、自监督学习和自编码器）。建模阶段包括分类、回归、聚类和无监督监测，常用模型有长短期记忆网络（LSTM）、自编码器、CNN和Transformer。CNN在振动分析中占主导，但自编码器使用增加，Transformer也开始出现。模型选择需考虑数据可用性、计算约束和可解释性，混合框架（深度嵌入加经典统计监控）是工业可行的路径。过程控制应用中，振动信号用于软传感器（如估计磨机负荷、矿浆密度）、统计过程控制（SPC）和多变量统计过程控制（MSPC），以及监督控制和模型预测控制（MPC）中的约束管理。论文还展示了基于自编码器的监测示例，通过重构误差检测异常。

**3. 工业应用**
**3.1 粉碎：** 粉碎回路（破碎和磨矿）是矿物加工的核心，振动信号源于碰撞力、旋转不平衡、结构响应和进料特性（如矿石硬度、粒度）以及矿浆性质。控制挑战包括维持最佳磨机负荷、避免过满或欠满。研究进展从早期可行性研究（1980-1990年代）到基于频率和时间-频率分析（2000年代），再到无线传感器和软传感（2010年代），以及近期AI和深度学习（2020年代）。尽管有长期研究，工业应用仍不广泛，深度学习方法采用有限。**3.2 水力旋流器：** 振动用于监测操作状态（正常、绳状、堵塞）和推断溢流粒度。振动源包括湍流旋流、空气芯动态和颗粒-壁碰撞。状态判别依赖频谱特征，如低频峰值偏移和频带能量变化。溢流粒度估计通过中高频段能量与粗颗粒关联，但端到端深度学习方法仍不成熟。操作变量估计（如固体浓度、流量）研究较少，但具有软传感潜力。**3.3 工业筛：** 振动主要由偏心驱动装置产生，颗粒冲击和结构响应叠加。控制挑战包括维持分离效率，振动分析用于状态监测和故障诊断，但尚未广泛用于闭环控制。研究从弹簧和轴承诊断发展到AI预测系统，可实时检测负载偏移和筛面堵塞。**3.4 流化床：** 振动用于理解流化现象（气泡形成、颗粒相互作用、流型转变），而非软传感或过程控制。多数研究定性，分析气泡动力学和团聚现象，但模型尚未成熟。**3.5 建模方法：** 不同设备（粉碎、旋流器、筛、流化床）的振动信号统计特性不同，但通过机器学习表示可应用通用框架，强调特征提取而非直接物理解释。

**4. 商业与专利系统的趋势与见解**
专利分析显示趋势：从阈值报警转向预测和自适应控制；从单传感器到多传感器和分布式架构；监测、维护与控制的融合；从有线向无线和云平台迁移；机器学习在商业系统中角色增强。早期专利依赖简单阈值，近期专利明确整合机器学习、自适应建模和预测控制逻辑。例如，2021年SPM Instrument AB系统将振动事件检测与磨机趾角位置估计和排料状态控制关联。无线传感和云平台实现跨资产学习和连续模型更新。

**5. 振动监测方法比较分析**
由于实验条件多样，难以定量比较。多数研究使用压电或MEMS加速度计，特征提取从手工特征向深度学习表示转变。建模从启发式方法转向监督学习，无监督和半监督方法开始出现。约60%的分析仍为定性，将信号特征与物理现象关联，而非开发正式分类或回归模型。这表明领域仍处于现象发现阶段，尚未达到成熟建模。工业筛和旋流器研究包含更多分类模型，但多数仍为站点特定，缺乏跨条件验证。

**6. 开放挑战与研究机遇**
**6.1 闭环控制中振动集成有限：** 振动信号主要处于监督层，未直接用于内环控制。需开发鲁棒的振动观测器和反馈架构。**6.2 缺乏基准开放数据集：** 矿物加工设备（如SAG磨机、水力旋流器）缺乏公开基准数据集，限制可重复性和算法比较。**6.3 跨域泛化能力差：** 模型在矿石、工厂和操作条件间迁移时性能下降，需开发迁移学习和域自适应方法。**6.4 可解释性不足：** 深度学习模型可解释性有限，阻碍监管和高风险应用。需开发物理信息模型，如DEM-CFD与结构动力学耦合生成合成信号。**6.5 传感器融合未充分利用：** 多模态数据融合多停留在特征拼接，需开发结构化、物理感知的多模态框架。**6.6 早期检测与预测：** 识别事件前兆仍具挑战，需改进表示学习和时序建模。**6.7 无监督过程监测：** 监督学习依赖标签，而标签稀缺，需转向无监督和自监督学习以发现潜在状态空间。**6.8 研究空白综合：** 这些挑战定义了关键研究方向，包括振动特征与物理机制的显式链接、跨域鲁棒性、软传感器可靠性、多模态融合和闭环控制集成。

**7. 结论**
振动监测在粉碎回路中已有数十年研究，但现代机器学习方法（如自监督学习、域自适应模型）在矿物加工中应用有限。振动与声学应视为互补而非竞争。未来进展取决于将现代学习策略与过程理解相结合，包括自监督预训练、域自适应、混合物理信息学习和多模态表示。需从诊断工具向可推广、可迁移的决策支持系统转变。