[论文解读] Multi-Fault Diagnosis Of Industrial Rotating Machines Using Data-Driven Approach: A Review Of Two Decades Of Research

Shreyas Gawde, Shruti Patil+4 more|arXiv (Cornell University)|May 30, 2022

Engineering Diagnostics and Reliability被引用 15

一句话总结

本文采用 PRISMA 框架，对过去二十年间工业旋转机械中基于数据的多故障诊断方法进行了系统性综述，分析了传感器选择、数据获取、特征提取、多传感器融合及人工智能技术。结合近期人工智能技术进展，识别出关键挑战、研究空白及解决方案，为工业 4.0 背景下的预测性维护研究提供了全面基础。

ABSTRACT

Industry 4.0 is an era of smart manufacturing. Manufacturing is impossible without the use of machinery. Majority of these machines comprise rotating components and are called rotating machines. The engineers' top priority is to maintain these critical machines to reduce the unplanned shutdown and increase the useful life of machinery. Predictive maintenance (PDM) is the current trend of smart maintenance. The challenging task in PDM is to diagnose the type of fault. With Artificial Intelligence (AI) advancement, data-driven approach for predictive maintenance is taking a new flight towards smart manufacturing. Several researchers have published work related to fault diagnosis in rotating machines, mainly exploring a single type of fault. However, a consolidated review of literature that focuses more on multi-fault diagnosis of rotating machines is lacking. There is a need to systematically cover all the aspects right from sensor selection, data acquisition, feature extraction, multi-sensor data fusion to the systematic review of AI techniques employed in multi-fault diagnosis. In this regard, this paper attempts to achieve the same by implementing a systematic literature review on a Data-driven approach for multi-fault diagnosis of Industrial Rotating Machines using Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) method. The PRISMA method is a collection of guidelines for the composition and structure of systematic reviews and other meta-analyses. This paper identifies the foundational work done in the field and gives a comparative study of different aspects related to multi-fault diagnosis of industrial rotating machines. The paper also identifies the major challenges, research gap. It gives solutions using recent advancements in AI in implementing multi-fault diagnosis, giving a strong base for future research in this field.

研究动机与目标

• 为解决工业旋转机械中多故障诊断领域缺乏整合性文献的问题。
• 采用 PRISMA 方法论，系统分析基于数据的故障诊断方法。
• 评估多故障场景下传感器选择、数据获取、特征提取及多传感器融合技术。
• 对比分析过去二十年中用于多故障诊断的人工智能技术。
• 识别当前基于数据的多故障诊断研究中的主要挑战、研究空白及未来研究方向。

提出的方法

• 采用 PRISMA（系统性综述与荟萃分析首选报告项目）框架开展系统性文献综述。
• 收集并分析 2000 年至 2022 年间关于旋转机械中基于数据的多故障诊断的同行评审研究。
• 根据传感器类型、数据获取方法、特征提取技术及所用人工智能模型对研究进行评估。
• 对多故障场景下机器学习与深度学习等人工智能技术进行对比分析。
• 整合多传感器数据融合策略及其对诊断准确率的影响。
• 通过文献的主题与定量综合分析，识别趋势、局限性及研究空白。

实验结果

研究问题

• RQ1 过去二十年中，工业旋转机械多故障诊断中占主导地位的数据驱动技术有哪些？
• RQ2 传感器选择与数据获取方法在多故障诊断准确性方面产生何种影响？
• RQ3 在多故障场景下，最有效的特征提取与多传感器融合策略是什么？
• RQ4 不同人工智能模型（如 SVM、DNN、CNN）在诊断多个同时发生的故障时表现如何比较？
• RQ5 当前多故障诊断研究中的关键挑战与研究空白是什么？

主要发现

• 尽管单故障诊断研究已十分丰富，但在多故障诊断的系统性综述方面仍存在显著研究空白。
• 多数研究集中于单故障场景，真实工业环境中多故障检测的整合仍有限。
• 与传统机器学习模型相比，深度学习模型（如 CNN 和 RNN）在多故障诊断中表现出更高的准确性。
• 多传感器数据融合显著提升了复杂故障场景下的诊断可靠性与故障分离能力。
• 传感器布置与数据质量仍是影响各研究中诊断性能的关键挑战。
• 基于 PRISMA 的综述揭示，多故障诊断研究中缺乏标准化的评估协议与基准数据集。