[论文解读] Data fusion techniques for fault diagnosis of industrial machines: a survey

Amir Eshaghi Chaleshtori, Abdollah aghaie|arXiv (Cornell University)|Nov 17, 2022

Fault Detection and Control Systems被引用 6

一句话总结

本综述回顾了工业机械故障诊断中的数据融合技术，将多层次融合策略（数据级、特征级、决策级）进行分类，以提升预测性维护性能。综述整合了信号处理与大数据分析领域的最新进展，提出了一套结构化的分类体系，并指出了工业故障诊断系统中的关键挑战与未来趋势。

ABSTRACT

In the Engineering discipline, predictive maintenance techniques play an essential role in improving system safety and reliability of industrial machines. Due to the adoption of crucial and emerging detection techniques and big data analytics tools, data fusion approaches are gaining popularity. This article thoroughly reviews the recent progress of data fusion techniques in predictive maintenance, focusing on their applications in machinery fault diagnosis. In this review, the primary objective is to classify existing literature and to report the latest research and directions to help researchers and professionals to acquire a clear understanding of the thematic area. This paper first summarizes fundamental data-fusion strategies for fault diagnosis. Then, a comprehensive investigation of the different levels of data fusion was conducted on fault diagnosis of industrial machines. In conclusion, a discussion of data fusion-based fault diagnosis challenges, opportunities, and future trends are presented.

研究动机与目标

• 为应用于工业机械故障诊断中的数据融合技术提供全面的分类。
• 分析多层次数据融合（数据级、特征级、决策级）在提升故障检测准确性方面的最新进展。
• 识别数据融合在预测性维护中面临的关键挑战、机遇及新兴研究方向。
• 支持研究人员和从业者理解工业故障诊断领域的主题脉络与技术演进。
• 通过系统性文献综述，弥合信号处理、大数据分析与工业应用之间的差距。

提出的方法

• 系统性回顾2010–2022年间的近期文献，聚焦工业机械故障诊断中的数据融合。
• 将数据融合技术分类为三个层次：数据级融合、特征级融合与决策级融合。
• 分析小波变换、经验模态分解及深度学习等信号处理方法在特征提取中的应用。
• 评估加权平均、Dempster-Shafer理论、贝叶斯网络与神经网络等融合算法。
• 整合大数据分析与机器学习框架，以提升融合性能与可扩展性。
• 综合分析实时、多传感器及复杂工业环境下的趋势、局限与开放挑战。

实验结果

研究问题

• RQ1 现代工业机械故障诊断系统中，主导的数据融合策略有哪些？
• RQ2 在准确性、鲁棒性与计算成本方面，数据级、特征级与决策级融合技术如何比较？
• RQ3 大数据分析与机器学习在推动预测性维护中数据融合方面发挥何种作用？
• RQ4 在实际工业环境中实施数据融合面临的主要挑战是什么？
• RQ5 工业故障诊断中数据融合的新兴研究方向有哪些？

主要发现

• 通过融合多传感器与多源信息，数据融合显著提升了故障诊断的准确性。
• 特征级融合，特别是结合深度学习与时频分析的方法，在复杂故障检测中表现出更优性能。
• 采用贝叶斯网络等概率模型的决策级融合，可增强在不确定或噪声环境下的可靠性。
• 集成多层级的混合融合框架相较于单一层次方法，展现出更强的鲁棒性与适应性。
• 大数据分析与实时处理是实现可扩展且可部署的工业故障诊断系统的关键推动因素。
• 尽管已取得进展，标准化、可解释性以及在异构工业系统中的部署仍面临挑战。