西北工业大学李永波教授团队：数据驱动的复杂机电系统健康监测与智能诊断

随着全球工业化和信息化的不断融合，作为现代工业的核心驱动力，机械设备的稳定性和高效性对各行业的生产效率和安全来说至关重要。同时，涵盖航空、航天、航海等重大装备中的复杂机械与电气设备的机电系统，是现代工业技术的高度集成体，其性能直接关系到国家重大工程的成败与安全。然而，复杂多变的运行环境和不断提升的技术要求，使得机械设备机电系统的故障诊断和预防成为日益重要和具有挑战性的任务。机电系统故障是重大装备安全服役的潜在杀手，对重大装备机电系统进行早期故障检测与诊断是提高维护效率、降低运维成本和防止灾难性事故发生的有效途径。《国家中长期科学和技术发展规划纲要(2006—2020 年)》明确将航空发动机等重大装备的可靠性、安全性、可维护性等关键技术列为重要的研究方向。为了提高重大装备运行的安全性和平稳性，开展重大装备机电系统故障预测与健康管理(PHM)理论研究具有重要的学术意义和工程实用价值。

数据驱动故障诊断方法的一般实施流程

在此背景下，数据驱动的机械设备故障诊断技术应运而生，并展示出巨大的潜力和广阔的应用前景。基于数据驱动的方法通过对机械设备的运行数据进行深入分析，能够实时监控设备状态，预测潜在故障并提供维保决策支持，从而大幅提升设备的可靠性和使用寿命。相较于传统方法，数据驱动方法不仅在故障预测的准确性和及时性上有显著优势，更能够有效应对复杂多变的机械设备运行环境，为现代工业的发展注入新动力。机械设备监测信号低信噪比、强非平稳和多源耦合等特性，使传统的故障诊断理论难以有效挖掘复杂机械设备故障特征。鉴于此，作者将近年的研究成果汇集，对PHM 领域中的相关问题进行梳理和剖析，为实现复杂装备状态监测和健康管理提供系统性的解决方案。

《数据驱动的复杂机电系统健康监测与智能诊断》的研究内容针对不同技术在故障诊断中的应用，包含基于深度迁移学习的故障状态诊断方法、基于熵理论和贝叶斯深度学习的设备剩余使用寿命预测方法、基于多源信息融合的设备故障诊断方法、数字孪生驱动的机械故障迁移诊断方法、基于知识图谱的复杂设备故障诊断方法。

数据驱动的复杂机电系统健康监测与智能诊断

李永波 薛龙献 尹建程 王 腾 刘 涛 著

北京: 科学出版社, 2025. 11

ISBN 978-7-03-082840-8

本书在应用场景方面涵盖了跨领域、跨工况的数据迁移问题，结构化、非结构化多源信息融合问题，标签化数据匮乏情况下的小样本故障诊断问题和具有可解释的诊断模型构建问题等。针对传统故障模拟实验平台笨重且故障不易施加的难题，研发了小型双转子故障模拟实验平台，采用基于进阶精简指令集机器(ARM)架构的电路板设计，可同时采集电流、转速和振动加速度信号，通过滑动机匣可模拟全周碰摩等6种故障模式，实现了从正常到故障状态的连续模拟。同时，开发了上位机软件，通过蓝牙与上位机联动，可完成早期故障报警、诊断、评估和预测等PHM 全过程演示。

• 第1 章介绍深度迁移学习在机械故障诊断中的应用。深度学习作为近年来的研究热点，在故障特征提取和诊断准确率方面展现出巨大潜力。然而，由于机械设备数据通常具有高维度、多样性和小样本的特点，直接应用深度学习模型会面临一定困难。为此，迁移学习技术被引入，通过利用已有成熟模型和其他领域的数据，来增强故障诊断的效果。本章将详细介绍深度迁移学习的基本原理、模型构建和应用实例，帮助读者掌握这一前沿技术。

• 第2 章探讨设备剩余使用寿命预测的关键技术。设备剩余使用寿命预测是保障设备正常运行、优化维保策略的重要手段。熵理论被广泛应用于表征系统的无序程度和复杂性，而贝叶斯深度学习则通过贝叶斯统计与深度学习的有机结合，能够提供更加可靠和可信的预测结果。本章详细阐述熵理论和贝叶斯深度学习的基本概念、应用方法及其在设备剩余使用寿命预测中的应用效果。

• 第3 章介绍利用多源信息融合技术提升故障诊断准确性的研究。机械设备运行过程中，会产生各种类型的数据，包括振动信号、温度数据、声音信号等。单一数据源难以全面、准确地反映设备状态，因此，多源信息融合技术通过综合利用不同来源的数据，提高故障诊断的准确性和鲁棒性。本章详细探讨多源信息融合技术的原理、方法及其在实际工程中的应用案例，为读者提供全面的知识和操作指南。

多源同构数据和多源异构数据融合方法

• 第4 章详细阐述数字孪生技术在机械故障诊断中的应用。数字孪生技术通过在虚拟空间中构建一个与实际设备高度一致的数字模型，实现物理设备与数字模型的实时交互和同步，从而能够实时监控设备状态、预测故障并进行预防性维护。本章介绍数字孪生技术的基本概念、构建方法及其在齿轮箱故障诊断中的应用效果，通过具体案例展示这一技术的实际应用价值。

• 第5 章探讨利用知识图谱提升复杂设备故障诊断效果的技术。知识图谱通过将相关信息进行结构化和关联化处理，能够形成直观、全面的知识网络，进而提升故障诊断的效率和准确性。本章详细介绍知识图谱的构建方法、应用策略以及在复杂设备故障诊断中的实际应用，为读者展示这一新兴技术的优势。

• 第6 章介绍双转子系统故障诊断模拟和健康监测平台的研究。双转子系统广泛应用于航空、航天和工业领域，其故障诊断和健康监测对保障系统安全运行至关重要。本章详细阐述双转子系统的故障特征、诊断方法及其健康监测平台的设计与实现，为读者提供全面的理论知识和实操指南。

小型双转子故障模拟实验台总体结构（上图）；PHM 界面（下图）。作者开发的上位机软件 主要分为4个模块，分别是设备管理、设备监控、数据分析、预测与健康管理(PHM)，通过搭建的小型双转子故障实验台验证系统功能

基于数据驱动的机械设备故障诊断技术结合了机械工程、计算机科学、统计学和信息技术的前沿成果，是一个跨学科的研究领域。希望本书能够为相关领域的研究者、工程师以及对数据驱动技术感兴趣的广大学者提供有益的参考，进一步推动机械设备故障诊断技术的发展与应用。特别感谢在书稿撰写过程中给予帮助和支持的各位同仁和专家学者。

本文摘编自《数据驱动的复杂机电系统健康监测与智能诊断》（李永波等著. 北京: 科学出版社, 2025. 11）一书“前言”，有删减修改，标题为编者所加。

ISBN 978-7-03-082840-8

责任编辑：宋无汗，15902971152

本书立足当前复杂机电系统健康监测与智能诊断的研究热点，面向国家重大需求，将前沿理论与实际应用紧密结合。针对复杂机电系统故障诊断领域中小样本、跨领域、缺乏可解释性等复杂场景和问题，介绍熵理论、深度学习、信息融合、数字孪生和知识图谱等技术在故障诊断中的应用，结合实际案例进行深入讲解。通过构建小型双转子故障模拟实验平台，对故障预测与健康管理全过程进行演示，便于对前沿知识进行深入理解。

本书可以作为复杂机电系统状态预测与健康管理、运维保障、智能诊断等领域的研究、教学用书，也可供健康管理与智能诊断领域专家参考。

（本文编辑：刘四旦）

专业品质 学术价值

原创好读 科学品位

一起阅读科学