西北工業大學李永波教授團隊：數據驅動的復雜機電系統健康監測與智能診斷

隨著全球工業化和信息化的不斷融合，作為現代工業的核心驅動力，機械設備的穩定性和高效性對各行業的生產效率和安全來說至關重要。同時，涵蓋航空、航天、航海等重大裝備中的復雜機械與電氣設備的機電系統，是現代工業技術的高度集成體，其性能直接關系到國家重大工程的成敗與安全。然而，復雜多變的運行環境和不斷提升的技術要求，使得機械設備機電系統的故障診斷和預防成為日益重要和具有挑戰性的任務。機電系統故障是重大裝備安全服役的潛在殺手，對重大裝備機電系統進行早期故障檢測與診斷是提高維護效率、降低運維成本和防止災難性事故發生的有效途徑。《國家中長期科學和技術發展規劃綱要(2006—2020 年)》明確將航空發動機等重大裝備的可靠性、安全性、可維護性等關鍵技術列為重要的研究方向。為了提高重大裝備運行的安全性和平穩性，開展重大裝備機電系統故障預測與健康管理(PHM)理論研究具有重要的學術意義和工程實用價值。

數據驅動故障診斷方法的一般實施流程

在此背景下，數據驅動的機械設備故障診斷技術應運而生，并展示出巨大的潛力和廣闊的應用前景。基于數據驅動的方法通過對機械設備的運行數據進行深入分析，能夠實時監控設備狀態，預測潛在故障并提供維保決策支持，從而大幅提升設備的可靠性和使用壽命。相較于傳統方法，數據驅動方法不僅在故障預測的準確性和及時性上有顯著優勢，更能夠有效應對復雜多變的機械設備運行環境，為現代工業的發展注入新動力。機械設備監測信號低信噪比、強非平穩和多源耦合等特性，使傳統的故障診斷理論難以有效挖掘復雜機械設備故障特征。鑒于此，作者將近年的研究成果匯集，對PHM 領域中的相關問題進行梳理和剖析，為實現復雜裝備狀態監測和健康管理提供系統性的解決方案。

《數據驅動的復雜機電系統健康監測與智能診斷》的研究內容針對不同技術在故障診斷中的應用，包含基于深度遷移學習的故障狀態診斷方法、基于熵理論和貝葉斯深度學習的設備剩余使用壽命預測方法、基于多源信息融合的設備故障診斷方法、數字孿生驅動的機械故障遷移診斷方法、基于知識圖譜的復雜設備故障診斷方法。

數據驅動的復雜機電系統健康監測與智能診斷

李永波 薛龍獻 尹建程 王 騰 劉 濤 著

北京: 科學出版社, 2025. 11

ISBN 978-7-03-082840-8

本書在應用場景方面涵蓋了跨領域、跨工況的數據遷移問題，結構化、非結構化多源信息融合問題，標簽化數據匱乏情況下的小樣本故障診斷問題和具有可解釋的診斷模型構建問題等。針對傳統故障模擬實驗平臺笨重且故障不易施加的難題，研發了小型雙轉子故障模擬實驗平臺，采用基于進階精簡指令集機器(ARM)架構的電路板設計，可同時采集電流、轉速和振動加速度信號，通過滑動機匣可模擬全周碰摩等6種故障模式，實現了從正常到故障狀態的連續模擬。同時，開發了上位機軟件，通過藍牙與上位機聯動，可完成早期故障報警、診斷、評估和預測等PHM 全過程演示。

• 第1 章介紹深度遷移學習在機械故障診斷中的應用。深度學習作為近年來的研究熱點，在故障特征提取和診斷準確率方面展現出巨大潛力。然而，由于機械設備數據通常具有高維度、多樣性和小樣本的特點，直接應用深度學習模型會面臨一定困難。為此，遷移學習技術被引入，通過利用已有成熟模型和其他領域的數據，來增強故障診斷的效果。本章將詳細介紹深度遷移學習的基本原理、模型構建和應用實例，幫助讀者掌握這一前沿技術。

• 第2 章探討設備剩余使用壽命預測的關鍵技術。設備剩余使用壽命預測是保障設備正常運行、優化維保策略的重要手段。熵理論被廣泛應用于表征系統的無序程度和復雜性，而貝葉斯深度學習則通過貝葉斯統計與深度學習的有機結合，能夠提供更加可靠和可信的預測結果。本章詳細闡述熵理論和貝葉斯深度學習的基本概念、應用方法及其在設備剩余使用壽命預測中的應用效果。

• 第3 章介紹利用多源信息融合技術提升故障診斷準確性的研究。機械設備運行過程中，會產生各種類型的數據，包括振動信號、溫度數據、聲音信號等。單一數據源難以全面、準確地反映設備狀態，因此，多源信息融合技術通過綜合利用不同來源的數據，提高故障診斷的準確性和魯棒性。本章詳細探討多源信息融合技術的原理、方法及其在實際工程中的應用案例，為讀者提供全面的知識和操作指南。

多源同構數據和多源異構數據融合方法

• 第4 章詳細闡述數字孿生技術在機械故障診斷中的應用。數字孿生技術通過在虛擬空間中構建一個與實際設備高度一致的數字模型，實現物理設備與數字模型的實時交互和同步，從而能夠實時監控設備狀態、預測故障并進行預防性維護。本章介紹數字孿生技術的基本概念、構建方法及其在齒輪箱故障診斷中的應用效果，通過具體案例展示這一技術的實際應用價值。

• 第5 章探討利用知識圖譜提升復雜設備故障診斷效果的技術。知識圖譜通過將相關信息進行結構化和關聯化處理，能夠形成直觀、全面的知識網絡，進而提升故障診斷的效率和準確性。本章詳細介紹知識圖譜的構建方法、應用策略以及在復雜設備故障診斷中的實際應用，為讀者展示這一新興技術的優勢。

• 第6 章介紹雙轉子系統故障診斷模擬和健康監測平臺的研究。雙轉子系統廣泛應用于航空、航天和工業領域，其故障診斷和健康監測對保障系統安全運行至關重要。本章詳細闡述雙轉子系統的故障特征、診斷方法及其健康監測平臺的設計與實現，為讀者提供全面的理論知識和實操指南。

小型雙轉子故障模擬實驗臺總體結構（上圖）；PHM 界面（下圖）。作者開發的上位機軟件 主要分為4個模塊，分別是設備管理、設備監控、數據分析、預測與健康管理(PHM)，通過搭建的小型雙轉子故障實驗臺驗證系統功能

基于數據驅動的機械設備故障診斷技術結合了機械工程、計算機科學、統計學和信息技術的前沿成果，是一個跨學科的研究領域。希望本書能夠為相關領域的研究者、工程師以及對數據驅動技術感興趣的廣大學者提供有益的參考，進一步推動機械設備故障診斷技術的發展與應用。特別感謝在書稿撰寫過程中給予幫助和支持的各位同仁和專家學者。

本文摘編自《數據驅動的復雜機電系統健康監測與智能診斷》（李永波等著. 北京: 科學出版社, 2025. 11）一書“前言”，有刪減修改，標題為編者所加。

ISBN 978-7-03-082840-8

責任編輯：宋無汗，15902971152

本書立足當前復雜機電系統健康監測與智能診斷的研究熱點，面向國家重大需求，將前沿理論與實際應用緊密結合。針對復雜機電系統故障診斷領域中小樣本、跨領域、缺乏可解釋性等復雜場景和問題，介紹熵理論、深度學習、信息融合、數字孿生和知識圖譜等技術在故障診斷中的應用，結合實際案例進行深入講解。通過構建小型雙轉子故障模擬實驗平臺，對故障預測與健康管理全過程進行演示，便于對前沿知識進行深入理解。

本書可以作為復雜機電系統狀態預測與健康管理、運維保障、智能診斷等領域的研究、教學用書，也可供健康管理與智能診斷領域專家參考。

（本文編輯：劉四旦）

專業品質 學術價值

原創好讀 科學品位

一起閱讀科學