综述:生成对抗网络在旋转机械健康管理中的应用:综述、最新进展与展望

《Neurocomputing》:Generative adversarial networks in health management of rotating machinery: Survey, recent advances and perspectives

【字体: 大 中 小 】 时间:2026年03月24日 来源:Neurocomputing 6.5

编辑推荐:

  本文系统综述生成对抗网络(GAN)及其变体在旋转机械预测与健康管理(PHM)中的应用,涵盖数据增强、故障模式识别、健康状态评估等场景,分析技术发展脉络、应用范式及轻量化挑战,总结未来研究方向。

  
郭振|杜文辽|李传利|刘志平
武汉理工大学交通与物流工程学院,中国武汉430063

摘要

旋转机械作为工业设备的核心部件,对整个系统的正常运行至关重要。旋转机械的每个关键部件都会直接影响设备在运行过程中的工作效率和稳定性。因此,对整个旋转机械或单个部件进行预测性和健康管理(PHM)可以有效识别潜在风险,降低故障概率,并提高设备的可靠性和使用寿命。随着故障数据稀缺和数据不平衡问题日益突出,越来越多的学者采用生成对抗网络(GANs)来应对旋转机械面临的数据挑战。为了全面评估该领域的研究进展,本文从PHM的角度回顾了生成模型在旋转机械领域的当前应用。具体而言,本文详细讨论了GAN模型的发展、设备应用场景以及模型应用范式。最后,指出生成模型在旋转机械PHM领域的未来发展前景十分广阔。

引言

旋转机械是现代工业设备的关键组成部分,广泛应用于制造业、能源、交通等行业[1]、[2]、[3]、[4]。其性能的稳定性和可靠性直接关系到整个系统的正常运行。随着工业自动化和智能化的发展,旋转机械的预测性和健康管理(PHM)已成为确保设备高效运行和提高生产效率的重要研究方向[5]。旋转机械的关键部件在长期运行过程中容易受到各种因素的影响,从而导致设备故障[6]。一旦发生故障,通常会导致停机、维护和生产损失,甚至可能带来安全隐患[7]。因此,在故障发生之前对其进行预测和管理已成为设备运行和维护的重要课题。
随着研究成果的积累,综述文章已成为整合该领域知识并指导研究方向的关键载体。迄今为止,学术界发表了大量关于旋转机械健康管理不同维度的综述[8]、[9]、[10]。李等人[11]对深度迁移学习在机械故障诊断中的应用进行了全面综述。吕等人[12]回顾了注意力机制在机械故障诊断中的应用。张等人[13]总结了设备预测和健康管理领域中剩余使用寿命(RUL)的相关研究和挑战。钱等人[14]对基于联邦迁移学习的机械故障诊断技术及其应用进行了系统文献综述。然而,大多数现有综述仅关注特定技术或单一应用维度,缺乏对旋转机械健康管理整个技术链的系统性整合和批判性分析。
尽管现有综述为旋转机械的健康管理提供了重要参考,但仍存在三个局限性。首先,虽然已经开发了多种生成模型,如生成对抗网络(GANs)[15]、扩散模型[16]、流模型[17]和变分自编码器[18],并且也有相关综述探讨了其在机械设备PHM中的应用,但对GAN的综述仍然不够全面[19]、[20]、[21]、[22]。一方面,缺乏对其架构演变、技术特性和工程应用场景的深入分析;另一方面,尽管GAN在解决该领域关键挑战(如有限和不平衡的故障数据)方面展现了巨大潜力,现有综述仅简要提及这些方面,未提供系统总结。其次,尽管一些综述提到了生成技术,但未能深入分析各种GAN模型在特定场景下的应用机制和性能差异,例如故障样本生成和跨领域故障诊断。第三,过去三年中出现的一些创新应用尚未被有效纳入现有综述的讨论范围。因此,基于最新研究进展,仍需对生成智能技术在旋转机械PHM领域的应用进行专门综述和完善。
为应对上述研究空白,本文系统回顾了GAN及其变体在旋转机械PHM中的应用研究。首先简要回顾了GAN的发展及其在故障数据生成方面的优势,然后讨论了该技术在旋转机械设备中的应用场景和典型应用范式,包括数据增强、故障模式识别、健康状态评估等。最后,本文总结了当前应用面临的挑战和不足,展望了未来研究方向,并提出了生成模型在提高旋转机械可靠性和寿命管理方面的潜在价值。
文章的其余部分结构如下:第2节介绍文献检索方法,并对相关文献的数量和发表时间进行了统计分析。第3节回顾GAN的发展历程及其关键进展。第4节主要回顾GAN在旋转机械设备中的应用场景,并分析了其在不同工作环境中的实际应用。第5节详细描述了生成模型的典型应用范式,并展示了该技术在PHM中的具体实现。第6节讨论了生成模型在旋转机械领域的挑战和未来研究方向。最后,第7节总结了本文的主要内容。

节选内容

文献收集

本节介绍了相关文献的收集过程。搜索范围涵盖2018年至2025年的文献,基于标题、摘要和关键词进行筛选,数据来源包括Science Direct、IEEE、Scopus、Engineering Village和Web of Science数据库。上述科学索引引擎(数据库)的搜索策略如下:
  • (i)
    Science Direct:(标题、摘要、关键词:“生成对抗网络”)AND (标题、摘要、关键词:“旋转设备” OR “旋转机械”);
  • (ii)
    IEEE:
  • GAN概述

    生成对抗网络(GANs)是一种深度学习框架,其中两个模型共同进行优化。该框架由Ian Goodfellow等人于2014年首次提出[15]。GAN在图像数据增强、图像修复等领域取得了显著成果,尤其是在数据缺失或不平衡问题面前表现出明显优势。

    GAN的应用场景

    基于生成对抗网络的生成模型广泛应用于各种类型的旋转机械,如图4所示,包括3D打印机、活塞泵、风力涡轮机、飞机发动机、核电站、机床、空气压缩机、火车转向架、涡轮机、无人机等设备。关键部件包括轴承、齿轮箱、电机、叶片、铣刀、同步带、转子、方向盘等。据此,我们对这些应用场景进行了分类。

    GAN的应用范式

    根据我们收集的关于生成对抗网络(GANs)的文献,分析了GAN在多种应用场景中的使用情况,如表10所示。应用场景包括小样本学习、不平衡数据处理、领域泛化、异常检测(AD)和剩余使用寿命(RUL)预测。从图5可以看出,关于小样本学习和不平衡数据处理的研

    模型的轻量化设计

    在将GAN应用于PHM领域的轻量化设计中,核心挑战在于GAN的复杂架构与工业边缘设备资源限制之间的矛盾。一方面,GAN的双网络结构具有大量参数,训练需要巨大的计算能力;另一方面,工业现场设备的计算能力和内存通常较弱,难以部署该模型。

    结论

    本文重点关注GAN在旋转机械领域的发展。共从五个数据库(Science Direct、IEEE、Scopus、Engineering Village和Web of Science)收集了168篇文献。本文的主要贡献如下:
  • (1)
    系统梳理了从原始GAN到Wasserstein GAN、CycleGAN和Conditional GAN等高级变体的发展过程,通过比较不同模型的架构创新和性能,清晰地识别了
  • CRediT作者贡献声明

    李传利:撰写 – 审稿与编辑,概念构建。刘志平:撰写 – 审稿与编辑,概念构建。郭振:撰写 – 初稿撰写,软件开发,方法论设计,数据整理。杜文辽:撰写 – 审稿与编辑,概念构建。

    利益冲突声明

    作者声明不存在可能影响本文工作的已知财务利益或个人关系。

    致谢

    本研究得到了国家重点研发计划(2022YFB2602303)、国家自然科学基金(52175080、52575103、52275138)、河南省重点研发项目(231111221100)、河南省高校科技创新团队计划(25IRTSTHN024)、重庆市自然科学基金(CSTB2025NSCQ-LZX0128)以及中央高校基本科研业务费(3120600100)的支持。
    郭振于2023年获得郑州轻工业大学的硕士学位,目前正在武汉理工大学攻读博士学位。他的研究兴趣包括深度学习、故障诊断和机械设备健康监测。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号