综述：用于非接触式机械故障诊断的深度学习：综述

《Neural Networks》：Deep Learning for Non-Contact Machinery Fault Diagnosis: A Review

　　

摘要

在工业生产环境中，机械设备可能因变载荷、高冲击和强干扰等恶劣条件而遭受磨损、开裂和断裂，导致性能下降、停产甚至灾难性事故。随着深度学习的快速发展，基于神经网络的方法已成为智能故障诊断的主导范式，能够从多源非接触传感数据中实现自动分层特征提取和复杂模式识别。传统的接触式诊断方法尽管精度高，但受限于极端环境下的部署限制。以声学传感器、红外热像仪和激光多普勒测振仪为核心的非接触式故障诊断技术，从根本上消除了物理连接带来的操作风险，为危险条件下的设备监控提供了创新解决方案。本综述首先介绍了非接触式故障诊断的基本背景和当前发展现状。然后对非接触式故障诊断方法进行了分类和讨论，包括声发射、振动和热成像。最后，分析了现有方法的挑战和潜在的未来发展方向。

引言

工业自动化和智能制造的快速发展加剧了对机械设备的可靠性和安全性需求（Jiang, Zheng, Chen, Ge, Song, Ma, 2025, Zhu, Hu, Peng, 2025）。为了确保设备的稳定运行，及时的检查和维护至关重要。故障诊断技术作为防止意外停机、确保生产连续性的关键手段，近年来引起了广泛的研究兴趣（Qin, Guo, Dong, Peng, 2026, Tian, Yu, Karimi, Gao, Lin, 2026, Wu, Tian, Tao, Chen, 2025）。通过对旋转机械状态进行持续监控和对异常信号进行实时分析，该技术有助于准确检测早期故障，为维护人员提供精准维护的可行见解（Jiang et al., 2023）。因此，设备的运行可靠性得到显著提升，非计划停机风险得到有效缓解。

值得注意的是，机械故障的根本原因远超变载荷和恶劣环境下的疲劳、磨损和材料老化等自然退化过程。现代工业生态系统中运营技术与信息技术的日益融合，使旋转机械暴露于网络物理威胁之下，攻击者可能利用网络化控制系统的漏洞故意诱发故障。例如，恶意操纵变频器可能会注入虚假的速度或扭矩指令，迫使轴承在临界共振频率下或在异常载荷谱下运行，从而加速接触疲劳、润滑恶化和剥落，同时改变传统诊断模型所依赖的特征故障频率。这种由攻击引起的退化轨迹偏离了既定的基于物理的磨损模式，给假设故障仅源自随机机械过程的传统故障诊断系统带来了重大挑战。

目前，接触式传感器构成了旋转机械健康监测数据采集的主要手段。它们与设备的直接接触便于高保真信号捕获，支持精确可靠的故障诊断，这已导致其在工业界的广泛采用（Carden, Fanning, 2004, Chen, Zhang, Yan, 2024b, Chen, Zhang, Zhu, Yan, 2023）。尽管传统的接触式诊断方法在技术上已相当成熟，但其实际部署面临几个关键挑战。首先，传感器安装程序本身很复杂，可能会干扰设备的正常运行。此外，在高温、高压或有毒环境等极端条件下，实施变得极其困难，从而限制了其适用性。其次，随着现代工业设备日益复杂，接触式方法的局限性变得更加明显。具体来说，长距离信号传输会导致机械连接部件的振动响应衰减。这种效应加上强烈的环境噪声干扰，严重损害了监测信号的准确性和可靠性（Chen, Zhang, Zhang, Wang, 2022, Sun, Li, Jia, Feng, Liu, 2023a, Tian, Han, Karimi, Zhang, Shi, 2024）。此外，振动信号采集容易受表面状况影响，包括油污污染、湿度水平和不规则几何形态，这显著降低了信号质量。鉴于这些技术瓶颈，开发非接触式故障诊断方法具有重要的工程价值。该技术有效规避了传统接触式监测固有的缺陷，并为极端运行条件或危险环境下的设备状态监测提供了创新解决方案。表 1 总结了接触式和非接触式故障诊断之间的差异。

非接触式故障诊断技术，主要采用红外热成像、超声检测和声学监测等无需与设备表面物理接触的方法，能够在根本消除传统接触式检查固有的物理连接操作风险的同时，实时评估设备运行状况。通过整合先进传感、智能信号处理和大 数据分析，该技术实时捕获运行异常，提供潜在故障的早期预警，并显著提升设备可靠性和维护效率。凭借其非接触优势，该技术在制造、能源、交通和航空航天等关键领域得到了广泛应用。目前，主流的非接触式诊断方法主要包括声学检测技术、红外热成像和非接触式振动监测。这些方法通过远程、非破坏性监测实现对设备状态的精确评估，同时避免了传统接触式方法固有的设备运行干扰，从而为工业设备的智能运维提供了创新解决方案。图 1 展示了非接触式故障诊断的概览。

为促进非接触式故障诊断技术的进步，本综述从传感器模态、诊断方法和未来方向等多个维度提供了现有研究的系统且及时的综合。本文的主要贡献如下：

• 1.
  从传感器模态和诊断方法的互补视角建立了系统分类框架，使非接触式传感技术和智能分析方法得以系统化组织。
• 2.
  识别了基本挑战，包括信噪比（SNR）低、跨域泛化能力差、特征冗余以及在复杂工业环境中限制现场可靠性的模型可解释性不足。
• 3.
  提出了前瞻性路线图，推进四个变革性方向，即物理信息驱动的数据驱动方法、多传感器融合、专家知识集成和大语言模型适配，以引导该领域迈向知识引导的智能诊断。

本文其余部分组织如下。第 2 节概述了非接触式传感技术，包括声学传感器、红外热像仪、激光多普勒测振仪、高速摄像机、静电传感器、超宽带（UWB）雷达、毫米波雷达和激光位移传感器。第 3 节系统回顾了非接触式故障诊断方法，涵盖时频分析和信号分解技术、统计方法、重点强调注意力机制和迁移学习的神经网络方法，以及特征融合策略。第 4 节讨论了当前挑战和未来研究方向，包括物理信息驱动的数据驱动方法、多传感器融合、专家知识与深度学习集成以及用于故障诊断的大语言模型。最后，第 5 节总结全文。

章节摘要

非接触式传感技术概述

常用的非接触式传感器主要包括声学传感器（麦克风）、红外热像仪和非接触式振动传感器等。各类别在以下子节中详细说明。

非接触式故障诊断方法

近年来，非接触式故障诊断在学术界和工业界均受到广泛关注，因为它能够在不干扰设备运行的情况下实时获取高保真故障信息。然而，声学、热学和光学传感器的原始信号具有低信噪比、非平稳性和高维性，对准确故障诊断构成了巨大挑战。依赖于手工提取时频特征和浅层分类器的传统方法

挑战与未来方向

本文系统回顾了非接触式故障诊断的最新进展，将现有方法分为七大类：频域分析、时频分析、滤波技术、统计特征学习、注意力机制、迁移学习和特征融合。通过这些方法的对比分析，识别出了几个关键问题和未来研究的前瞻方向。

结论

非接触式故障诊断技术通过消除与物理接触相关的部署限制，为极端运行条件下的设备监测提供了创新解决方案。本综述系统总结了非接触式故障诊断的研究进展。在感知层面，非接触式传感器包括声学传感器、红外热像仪和激光多普勒测振仪，各自针对不同应用场景具有独特优势。在

CRediT 作者贡献声明

张丹（Dan Zhang）：写作 – 审阅与编辑，写作 – 原稿撰写，监督，方法论，调查。陈永义（Yongyi Chen）：写作 – 审阅与编辑，数据管理。刘忠（Zhong Liu）：写作 – 原稿撰写。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系可能会影响本文所报告的工作。

致谢

本工作部分由国家自然科学基金（批准号 62322315）和浙江省自然科学基金（批准号 LMS26F030016）支持。

Dan Zhang|Yongyi Chen|Zhong Liu