本期继续给大家推荐旋转机械复合故障诊断综述文章的下半部分内容，该综述详细介绍了复合故障诊断方法的相关背景，包括相关定义和一种新的分类方法。然后，作者基于过去几十年的相关出版物，对复合故障诊断的最新应用进行了综述。最后，总结了实现复合故障诊断在故障诊断领域中的挑战和机遇，并给出了本综述的结论。论文链接：通过点击本文左下角的阅读原文进行在线阅读及下载。论文基本信息论文题目：Compound Fault Diagnosis for Rotating Machinery: State-of-the-Art, Challenges, and Opportunities论文期刊：Journal of Dynamics, Monitoring and Diagnostics论文日期：2023论文链接:https://doi.org/10.37965/jdmd.2023.152作者：Ruyi Huang1,2；Jingyan Xia2,3；Bin Zhang3；Zhuyun Chen2,3；Weihua Li2,3机构：1. Shien-Ming Wu School of Intelligent Engineering, South China University of Technology；2. PazhouLab；3. School of Mechanical and Automotive Engineering, South China University of Technology通讯作者邮箱:Weihua Li (e-mail:whlee@scut.edu.cn)目录1 摘要2 引言3 CFD的背景3.1 与CFD相关的定义3.2 CFD方法的分类4 CFD在旋转机械中的应用4.1 基于失效机理的CFD方法的应用4.2 基于信号处理的CFD方法的应用4.3 基于人工智能的CFD方法的应用5 未来的挑战与机遇5.1 复杂机械系统复合故障失效机理建模5.2 信号处理算法的改进5.3 智能CFD模型的可解释性5.4 更加智能的CFD方法6 结论7 致谢4 CFD在旋转机械中的应用4.2 基于信号处理的CFD方法的应用1) 基于信号分解的方法基于信号分解的方法本质是从复合故障信号中提取并分离出信号。基于信号分解的方法类似于依赖特征工程的模式识别，期望将不同的成分分离开来。研究人员提出了许多成功的CFD方法，例如小波变换(WT) [20-28]、变分模态分解(VMD) [29-34]、局部均值分解(LMD) [35]、奇异谱分解(SSD) [36、37]、辛几何模态分解(SGMD) [38、39]等方法[40-48]。上述方法在旋转机械CFD中得到了广泛的应用。小波变换( Wavelet Analysis，WT )可以看作是用一组基函数(小波)对信号的表示或投影，在故障诊断领域带来了包括滤波、降噪和特征提取在内的巨大应用。Peng等人[49]和Yan等人[50]分别在2004年和2014年系统地回顾了WT及其变体算法在健康状态监测和故障诊断中的应用。对于CFD，Jiang等发展了一种经验小波变换与混沌振子相结合的方法(命名为EWTDO )，该方法通过以下步骤实现CFD，首先，通过经验小波变换将复合故障信号分离为不同的经验模型。其次，采用包含所有单一故障频率的振子建立故障隔离器。最后，通过观察故障隔离器输出的映射产生的不规则运动，可以逐一识别出所有的单故障[20]。Ding利用双脉冲性测量指标确定了经验WT的上下段边界，可以进一步解调以检测不同的单一故障[21]。与使用固定基函数的经验WT不同，He等人结合了能够自动选择敏感频带的自适应冗余多小波包和Hilbert变换解调分析来解耦两个齿轮箱的复合故障[24]。Hu等提出了一种改进的可调Q因子小波变换( TQWT )对振动信号进行分解，通过对比实验结果与理论值的故障特征频率即可识别复合故障[27]。尽管WT方法具有许多良好的性质，确保了其在CFD中的有效性，但其对复合故障信号的分解性能取决于所选择的小波基函数。VMD也是一种将复合故障信号分解为多个带限本征模态函数的流行算法。例如，Yan等人将VMD与1.5维包络谱相结合来检测旋转机械的复合故障，其中利用VMD将复合故障信号分解为若干个本征模态分量[29]。Wan等人将快速谱峭度与VMD相结合，用于处理含有微弱单分量的复合故障信号[30]。VMD的参数，如惩罚项和子成分个数，对分解结果有重要影响。因此，参数优化的VMD在旋转机械CFD中也得到了研究和应用[32-34]。然而，确定这些参数以确保诊断性能仍然缺乏有效的解决方案。LMD、SSD和SGMD是针对非平稳信号的模态分解算法。具体来说，LMD是一种自适应模态分解算法，可以将复合故障信号分解为一组单分量即乘积函数。Jay Lee等人提出了一种基于LMD的复合包络构造方法用于往复压缩机的故障诊断[35]。LMD对调幅和调频信号具有良好的解调性能，但存在端点效应和模态混叠现象等局限性。SSD也是一种自适应算法，可以将非线性、非平稳的时间信号分解在窄带分量中。Wang等人提出了几种基于SSD的齿轮箱复合故障诊断方法，取得了较高的分解精度，并能在一定程度上克服模态混叠[36、37]。SGMD是一种利用辛几何相似变换将单分量与其对应的特征向量进行重构的分解方法。Pan等人提出了一种基于SGMD的CFD方法，对轴承故障和齿轮故障耦合而成的复合故障进行分离和识别[38]。以上讨论表明SSD和SGMD在CFD中得到了成功的应用。然而，由于SSD和SGMD具有很强的降噪能力，可以将微弱的故障信息当作噪声去除，因此很难提取复合故障信号中耦合的微弱单一故障的特征。此外，伪分量在强噪声环境下容易被分解。除了上述方法外，还有许多其他方法将信号分解算法与其他技术相结合来制作CFD。例如，Tang等人提出了一种角度域虚拟多通道信号的复合故障检测方法，并将其应用于监测变工况下的滚动轴承[43]。更多的细节可以在[40-48]中找到，这里没有列举。2)基于信号反卷积的方法基于信号反卷积的方法的本质是将复合信号反卷积为未耦合在一起的单一信号。基于信号反卷积的方法，如最小熵反卷积( MED ) [51-55]、最大相关峭度反卷积( MCKD ) [56-62]和周期平稳过程理论盲反卷积(CYCBD) [63]等，通过构造梳状滤波器来增强微弱周期特征和抑制信号噪声，已被证明是分离含微弱成分复合故障的有效工具。MED是为解决信号服从卷积形式时的反卷积问题而发展起来的一种技术。许多实例表明，MED赋予故障诊断方法对复合故障解耦的能力。例如，Fan等人提出了一种基于改进的MED调整和自适应信号稀疏分解的滚动轴承CFD方法，该方法通过轴承复合故障的产生和实验振动信号验证了所提出的复合故障特征提取的有效性[52]。在Feng等人[54]所做的工作中，也可以找到对风力发电机齿轮箱CFD的类似研究。基于MED的CFD方法的优点是它消除了对部件的强假设，只要求输出的简单性。与仅增强单脉冲成分的MED相比，基于MCKD的方法在CFD中表现出更强大的性能，因为MCKD可以提取连续的周期脉冲。例如，Lyu等人结合量子遗传算法( quantum genetic algorithm，QGA )提出了一种用于行星齿轮CFD的改进MCKD方法，其中单个故障相关特征由所提方法提取[58]。为了解决周期脉冲可能被强噪声污染的问题，Hong等提出了一种新的噪声抑制方法。通过结合开发了定制的自适应MCKD平衡多小波的CFD方法，其有效性在从航空发动机转子采集的仿真和实验数据上得到了验证[59]。MCKD已经与其他算法，如稀疏表示和卷积神经网络( CNNs )相结合，用于实现滚动轴承的CFD，相应的实验也表明这些方法可以有效地分离故障特征分量，并在CFD上取得良好的性能。虽然基于MCKD的方法在提取连续周期脉冲方面有一些指标，但其特征提取性能很大程度上依赖于它们的参数，例如滤波器长度和反卷积周期。CYCBD是一种盲解卷积算法，已被证明是CFD的有效工具，因为它可以从耦合的故障信号中重建周期性脉冲。在[63]中，Sun等人提出了一种改进的自适应CYCBD方法，并将其应用于强噪声背景下的齿轮箱CFD。基于CYCBD的方法为从复合故障信号中提取微弱冲击故障提供了另一种途径。值得注意的是，基于信号反卷积的CFD方法对关键参数的选取缺乏有效的评价标准，提取的特征容易受到信号噪声的影响。3 )基于BSP的方法基于BSP的方法本质是从混合或复合信号中分离出未知且独立的源信号。盲源分离( BSP )，又称盲信号分离( BSS )，是解决CFD问题而得到广泛发展的一种方法。各种有效的算法被提出，如独立成分分析( ICA ) [64-67]、稀疏成分分析( SCA ) [68、71]、形态成分分析( MCA ) [72]等方法[73、74]。这些算法能够从复杂的监测信号中分离出各单一故障源的识别特征，从而准确评估旋转机械的健康状态。ICA是一种常用的从混合信号中分离独立子成分的BSS算法，也适用于处理CFD中遇到的问题。Wang等[64]和Tang等[65]将CFD视为欠定BSS的振源估计问题，分别将ICA与其他模态分解算法相结合，提出了几种滚动轴承CFD方法。实验结果表明，这些方法对复合故障分离是有效的，并且在分离强噪声信号方面比信号分解方法[66、67]具有更好的性能。为了克服ICA必须在ICA之前进行信源数估计的局限性，显著增加了算法的复杂度，SCA可以避免这种估计，并通过对比解决欠定问题，在CFD中得到了广泛的应用。例如，Hao等人开发了几种基于SCA及其变体算法的CFD方法[68-70]。这些方法的核心步骤是首先使用信号处理算法提取振动信号的稀疏表示，然后将这些表示放入SCA中得到精确的源信号。结合SCA和其他技术，如sin C函数的形态学滤波和密度峰值聚类，Xie等人开发了一种有效分离轴承复合故障的方法[71]。除了轴承复合故障，Yu等人提出了一种改进的MCA方法，用于齿轮故障和轴承故障同时发生的情况下齿轮箱的CFD [72]，其中复合故障信号中耦合了两个不同的分量(一个是齿轮故障引起的啮合分量，另一个是轴承故障引起的周期冲击分量)。此外，零空间追踪[73]和典型相关分析[74]等方法也被学者应用于航空发动机滚动轴承的CFD中。虽然BSP技术能够在一定程度上处理机械设备复合故障解耦中遇到的困难，但由于复杂故障监测信号具有非线性、高噪声、强耦合等特点，在提取或分离多个故障源时，仍存在性能不理想、结果可靠性不高等问题。此外，基于BSP的复合故障方法对观测信号的通道数要求较高；即传感器的数量要满足算法的要求，这可能会增加故障诊断的成本。4 )基于稀疏表示的方法稀疏表示方法的本质是通过使用给定的过完备字典将信号表示为少量原子的线性组合，从而实现对复合故障的分离。基于稀疏表示的方法已被证明是CFD中的一个流行工具，因为它具有许多优点，包括不同成分匹配、信号去噪和信号分离而不需要模式混合。一般来说，稀疏表示理论主要包含两个方面：过完备字典的构造[74-80]和稀疏系数的求解[81-85]。过完备字典的构造是发展CFD方法的关键问题之一。构造过完备字典的方法有两种。第一种是预定义的分析或静态字典。例如，Li等人提出了一种基于多重增强稀疏分解算法的齿轮箱CFD方法，其中通过考虑齿轮箱故障机制手动设计了三个子字典[78]。Meng等人提出了一种基于周期加权峭度稀疏去噪和周期滤波的CFD方法，相应的流程图如图5所示[79]。可以发现，构建脉冲字典是为了获得稀疏系数和故障类型。所设计的字典通常具有更明确的物理意义和良好的适应性，但其局限性在于处理未知信号时可能会失效。第二种是学习字典，由于它可以自适应地学习原子库以匹配目标信号，因此在复合故障信号的特征提取中表现出更大的优势；因此，它能更有效地捕捉故障相关特征，在故障诊断领域得到了广泛的应用。Lin等人提出了一种基于改进的双字典K -奇异值分解( K-SVD )的有效CFD方法，并将其应用于含有内外圈缺陷的滚动轴承[86]。尽管这些基于字典的稀疏表示方法已成功应用于旋转机械的复合故障分离，但在实际工业应用中，为CFD构建精确的字典仍然是一个具有挑战性的问题。图5 [79]中提出的CFD方法的流程图对于基于稀疏表示的方法，稀疏系数的求解是关键，对复合故障信号分解的性能有重要影响。许多近似方法被提出用于处理稀疏系数解，其中凸松弛优化[81-83]和正交匹配追踪(OMP) [84、85]是CFD中最受关注的方法。例如，Huang等人提出了齿轮箱的CFD方法，其中开发了多源保真稀疏表示算法，将信号重构问题转化为多元稀疏凸优化问题[82]。Zhang等人结合OMP算法，提出了一种多重增强稀疏表示方法，用于重构和识别每类故障诱导特征，以制作轴承的CFD [85]。尽管基于稀疏表示的方法为CFD带来了一些成功的突破，但距离在更复杂的工业场景中得到广泛应用还有很长的路要走。如何有效利用稀疏理论挖掘复合故障信号的内在特征，实现更复杂复合故障的分离，需要在未来投入更多的精力。值得注意的是，还有许多其他基于信号处理算法开发的CFD方法不包含在上述四个子类中，这将在此不予讨论[87-90]。通过以上概述和讨论可以发现，基于信号处理的CFD方法通常从采集到的复合故障信号中提取各个独立故障分量的特征；从而达到解耦和诊断复合故障的目的。然而，由于它们严重依赖于先进的信号处理方法和专家的经验知识，且无法揭示复合故障信号的耦合规律，因此对由三种或三种以上故障耦合而成的复杂复合故障的区分和解耦极为困难，限制了它们在复杂机械设备实际维修中的应用。 4.3 基于人工智能的CFD方法的应用基于人工智能的CFD方法旨在利用机器学习算法建立智能诊断模型，可以使CFD以模式识别的方式，将复合故障视为独立的模式进行分类或通过输出多个相应的单故障标签将其解耦为多个单一故障。基于人工智能的CFD方法的一般流程如图6所示。具体来说，首先收集监测数据/信号，从目标旋转机械来看，这是训练智能CFD模型的基础，因为这些方法通常通过观察给定的数据来识别复合故障。在监测数据采集完成后，选择合适的机器学习算法构建复合故障的IFD模型是关键的一步。一旦训练好IFD模型，就可以用端到端的方式对复合故障进行诊断，并从IFD模型的输出中得到相应的结果。众所周知，采集数据的数量和质量显著影响故障诊断的性能。因此，根据模型训练过程中是否有标注的复合故障数据，基于人工智能的方法可以分为两类：基于监督学习的CFD方法和基于无监督学习的CFD方法。图6 基于人工智能的CFD方法的一般流程1) 基于监督学习的方法基于监督学习的方法的本质是将CFD作为一个模式识别问题进行分类，简单地用另一个独立的标签对复合故障信号进行标注来训练CFD模型。也就是说，基于监督学习的方法与IFD方法一样，在过去十年中得到了广泛的研究。例如，Li等人详细介绍了IFD方法的一般过程，如图7 [3]所示，其中关键步骤是模型的构造。根据用于构建诊断模型的人工智能算法，基于监督学习的方法可以进一步划分：基于浅层学习的方法、基于深度学习的方法和基于多标记学习的方法。 图7智能故障诊断的一般流程[3] 基于浅层学习的方法通常使用传统的机器学习算法，如k最近邻( k-NN ) [91-94]，概率图模型( PGM ) [95、96]，支持向量机( SVM ) [97-102]和人工神经网络[103-107]，来构建CFD模型。例如，Li和Yan等人利用小波变换( Wavelet Transform，WT )和经验模态分解( Empirical Mode Decomposition，EMD )等信号处理算法从非平稳振动信号中提取故障特征，并将其输入到模糊k - NN中对齿轮箱的多故障进行识别[91]。Li等人基于k - NN的核心思想提出了一种降维算法—最近最远距离保持投影( Nearest and Farthest Distance Preserving Projection，NFDPP )，并通过一个复合故障的汽车轴承数据集验证了该算法的有效性[92]。以非朴素贝叶斯模型( PGM的一个范例)为分类器，Asr等人提出了针对汽车变速箱的CFD方法[96]。作为一种流行的模式识别算法，Chen等人提出了一系列基于SVM的IFD方法，并将其应用于机车滚动轴承复合故障诊断中，实验结果表明这些方法更有效，优于其他对比方法[100、101]。同样，Lei等人提出了许多基于自适应神经模糊推理系统( ANFIS )和小波神经网络的混合IFD方法，提高了故障诊断[103、104]的准确性和可靠性。Wu等人将集成极限学习机( ELM )网络与二元分类器相结合，开发了两级齿轮箱的CFD方法。通过以上讨论可以发现，与基于故障机理的CFD方法和基于信号处理的CFD方法相比，基于浅层学习的CFD方法能够减少对专家经验和知识的依赖，在复合故障分类中表现出优势。然而，这些基于浅层学习算法的方法存在特征学习和提取能力差的局限性。与基于浅层学习的方法相比，其主要区别在于基于深度学习的方法旨在通过利用分层架构从原始振动信号中学习判别性和故障相关的表示，以端到端的方式弥合健康状况和监测数据之间的关系。学者们针对智能CFD开发了多种深度学习算法及其变体，如深度信念网络( DBNs ) [108-112]、稀疏自动编码器( SAE ) [113-117]、卷积神经网络( CNNs ) [118-126]、长短期记忆( LSTM )神经网络[127]、胶囊网络(CapsNet) [128]等[129]。例如，Shao等人提出了多种针对滚动轴承复合故障的IFD方法，其中DBNs算法与其他技术(如双树复小波包和压缩感知)相结合，以增强所提出的诊断模型[108、109]的性能；Xiang等提出了一种基于DBNs和将其应用于轴向柱塞泵[110]的多故障检测方法；Wang等人提出了一种模拟电路系统的CFD方法，在该方法中，带有AE的多个ELM被用于从原始信号中自动提取故障相关的表示[117]；结合其他算法，如快速谱峭度(Fast Spectral Kurtosis，FSK)、支持向量机(Support Vector Machines，SVMs)和数据融合技术，CNNs也被许多学者开发并应用于旋转机械的CFD [118-126]；Ma和Wang利用自适应chirp模型分解、Gini指数融合和LSTM等技术发展了一种CFD方法，获得了在轴承CFD上具有更好性能的故障诊断模型[127]；Chen等人提出了一种快速鲁棒的CapsNet来检测通风机和水泵的复合故障[128]。尽管上述方法为旋转机械带来了许多成功的应用，但其明显的局限性在于这些方法只是简单地将复合故障视为与其对应的单一故障无关的独特故障进行故障分类。也就是说，这些方法忽略了复合故障与其对应的单一故障之间的关系。为了解决这个问题，引入了基于多标记学习的方法，使CFD具有多标记输出机制。与基于浅层学习和基于深度学习的方法仅用一个标签标注复合故障样本不同，基于多标签学习的方法通常用两个或多个标签标注复合故障样本进行监督学习。因此，通过输出多个标签，诊断模型可以将复合故障解耦为多个单一故障。近年来，基于多标记学习的方法引起了相关学者越来越多的关注，并基于这种思想提出了各种方法[130-135]。例如，Huang等人将深度卷积神经网络与多标签分类器相结合，开发了一个CFD框架，该分类器可以为测试样本输出单个或多个标签[130]。多标签分类器的本质是使用Sigmoid函数代替Softmax函数作为最后一个分类层的激活函数，使得每个分类神经元的输出概率是独立的，并且输出标签的数量可以通过定制的原则来确定。根据这些见解，有许多类似的方法已经被开发和研究用于旋转机械CFD[131-135]。从文献中可以得出结论，基于多标记学习的CFD方法的有效性已经得到了验证。然而，这些方法存在一个明显的局限性：这些模型的训练过程仍然依赖于带标签的复合故障数据，这对于在实际应用中开发有效的解决方案是一个困难的要求。还需要强调的是，如果复合故障数据不可得或无法标注，基于监督学习的CFD方法将失效，失去CFD的能力。2) 基于无监督学习的方法基于无监督学习的方法的本质是在没有复合故障数据的情况下将复合故障解耦为多个单一故障，这意味着CFD模型具有利用从单一故障数据中学习到的知识来诊断复合故障的能力。如图8所示，基于无监督学习的方法旨在模仿人类的现象，即通过捕获每个个体实体的关键特征，重叠的实体可以很容易地分离成相应的实体[3]。然而，对于基于人工智能的CFD方法来说，实现这样一个“简单”的任务仍然是一项具有挑战性的任务。幸运的是，在模型训练过程中复合故障数据不可用的场景下实现CFD已经进行了一些尝试，这一研究方向已经引起了学术界和工业界学者越来越多的关注[136-145]。 图8 图解复合故障解耦背后的动因[3] 第一个仅利用单故障数据对复合故障进行解耦的成功尝试是由Huang等人于2018年提出的深度解耦卷积神经网络( Deep Decoupling Convolutional Neural Network，DDCNN ) [136]。在DDCNN中，使用多个胶囊层构建解耦分类器作为传统Softmax分类器的替代者，其中复合故障样本可以解耦成具有多个标签的多个单一故障。在汽车变速器上进行的实验以无监督的方式证明了CFD的有效性。基于同样的目标，Dibaj等人提出了一种基于混合微调VMD和CNN的CFD方法，并将其应用于监测具有复合故障的齿轮箱[138]。在没有复合故障样本作为训练数据的情况下，Xing等人提出了一种基于零样本学习的智能CFD方法，并将其应用于旋转机械未知复合故障的检测[139]。从以上讨论可以得出结论，这些方法由于消除了对复合故障数据完备性的依赖，在CFD中取得了很大的进步。然而，上述方法的诊断性能仍受旋转机械工况变化的影响，阻碍了其在实际工业中的广泛应用。受迁移学习的核心思想启发，即通过学习来自不同但相关领域的通用知识来增强AI模型的泛化性能，Huang等人进一步提出了几种基于DTL算法的无监督智能CFD方法，如可迁移胶囊网络( Transferable CapsNet，TCN )和深度对抗胶囊网络( Deep Adversarial Capsule Network，DACN )，其中CFD模型的泛化性能在变化或未知工况[140、141]下得到了显著提升。具体来说，TCN的核心思想是将迁移学习技术嵌入到CFD模型(如DDCNN)中，该模型在变工况下具有比DDCNN更好的泛化性能[140]。引入对抗学习技术训练CFD模型，DACN进一步赋予CFD模型跨越未知工况智能解耦复合故障的能力[141]。基于DTL算法的CFD的更多细节可以在[3]中找到。除了基于DTL的算法，其他算法的变体，如零样本学习[142]和Caps Net [143]，也被开发用于包括轴承和RV减速器在内的旋转机械CFD。通过以上讨论，近年来，工程师和学者们基于人工智能算法对旋转机械CFD进行了各种成功的尝试和应用。在他们的努力下，CFD模型的泛化性能得到了显著增强，并且通过引入无监督学习算法消除了对复合故障数据完整性的依赖。然而，从历史文献中不难发现，很少有工作关注3.1节中介绍的第三种复合故障，即发生在具有三个或三个以上单一故障的复杂机械系统中的复合故障。这些方面需要学者们在今后的研究中付出更多的努力。 5 未来的挑战与机遇尽管在过去的几十年里，来自学术界和工业界的学者和工程师为旋转机械的CFD带来了巨大的成功尝试，但在故障诊断领域，特别是在实际工业应用中，如何做出准确可靠的CFD仍然是一项重要而具有挑战性的任务[144]。这主要是由于历史的CFD方法远远落后于现代制造业对复杂机械智能维护的需求，而现代制造业更加强调诊断模型的可靠性和可解释性。因此，在概述了旋转机械CFD应用现状的基础上，对CFD中需要解决的挑战和有前途的机遇进行了讨论。5.1 复杂机械系统复合故障失效机理建模理解复合故障发生的物理失效机理是开发有效、准确的旋转机械故障诊断解决方案的基石。不可否认，4.1节中概述的基于失效机理的CFD方法旨在实现这一基本目标，并提供了许多揭示复合故障发生和演化根本原因的基本规律。然而，由于机械设备在结构、材料、功能、环境等方面的复杂性，对于复杂的机械系统，很难建立精确可靠的故障模型，更不用说复合故障了。因此，基于故障机理的CFD方法较少关注复杂机械系统的复合故障研究。因此，对于复杂机械系统复合故障的失效机理建模，应投入更多的精力。幸运的是，近年来，旨在构建与真实世界相同的物理系统、过程或环境的数字孪生技术引起了相关领域研究人员的日益关注[145]。我们相信，在不久的将来，它将是解决上述问题的一个很有前途的工具。5.2 信号处理算法的改进基于信号处理的CFD方法已经在许多实际工业应用中被证明可以有效地从复合故障信号中分离和提取每个独立故障分量的判别特征。然而，需要强调的是，没有一种通用的信号处理算法可以适用于CFD的所有场景，因为上述所有的信号处理方法都有各自的优缺点。此外，基于信号处理的CFD方法的诊断结果通常需要专家或工程师基于案例相关知识进行事后决策。因此，研究更强大的信号处理算法，提高其在实现CFD所需的各个方面的能力，如信号去噪性能、微弱故障的检测精度以及对更复杂的复合故障信号的解耦能力，是非常重要和必要的。随着传感技术的进步，在测量和失效机理技术中，基于信号处理的方法仍将是未来几十年的研究热点之一。 5.3 智能CFD模型的可解释性学者们基于人工智能算法为CFD的各个方面带来了巨大的、惊人的突破，这是公认的事实。然而，基于人工智能的CFD方法的瓶颈在于，这些算法被认为是一种不可解释的技术，缺乏说服机器操作者的理论依据，并且在长期的制造生产中无法重复和一致地工作。仍然很难理解或解释这些智能模型是如何以及为何做出最终决策的[146]。重要的是，在基于无监督学习的CFD方法中，很少有研究关注如何通过仅使用单一故障数据来训练CFD模型，将复合故障解耦为多个单一故障的可解释性。因此，缺乏清晰的可解释性成为开发面向实际应用的CFD解决方案的最大障碍。幸运的是，来自计算机科学领域和故障诊断领域的研究人员都投入了更多的精力来应对这些挑战。如何设计具有可解释性的CFD方法，增加其决策过程的透明性，也是故障诊断领域未来的发展趋势之一。5.4 更加智能的CFD方法尽管目前的IFD模型可以执行许多具有挑战性的任务，例如复合故障解耦和新兴故障检测，并且在某些方面的性能超过了人类水平[147、148]，但仍然有许多能力是IFD模型无法执行的。大多数现有的人工智能算法很难完成一些人类容易完成的任务，例如从小的实例集 合中学习，对某事进行推断或猜测，以及实现多任务。与算法智能相比，人类智能在遇到高不确定性和低可预测性的情况时更加可靠。沿着这样的思路，我们相信，开发适应性更强、智能化程度更高的CFD方法将是未来不可阻挡的趋势，这将赋予智能模型模仿人类行为的能力。 6 结论在这篇综述文章中，对旋转机械的CFD进行了全面的调查，为潜在的读者和经验丰富的研究人员提供了一个系统的指南。在这项调查的开始，首先强调了对旋转机械实施CFD的重要性。介绍了CFD产生的背景，包括CFD的相关定义和分类，以便于下文讨论CFD的最新应用。从复合故障如何分离或解耦的角度，对3组CFD应用及其相应的子类进行了充分的探索和讨论，并总结了各自的优缺点。最后，概述了实施CFD的挑战和机遇，特别是针对复杂机械系统复合故障的失效机理建模、信号处理算法的能力提升、智能CFD模型的可解释性以及更智能的CFD方法，为故障诊断领域的研究人员开辟了一些未来的研究方向。 7 致谢本论文的研究工作得到了国家自然科学基金(52205100、52275111和52205101)、广东省自然科学基金(2023A1515012856)和中国博士后科学基金(2022M711197)的资助。欢迎大家留言交流~同时也欢迎大家投稿：woxuegongzhao@163.com 编辑：赵学功校核：李正平、陈凯歌、赵栓栓、曹希铭、白亮、陈少华该文资料搜集自网络，仅用作学术分享，不做商业用途，若侵权，后台联系小编进行删除点击左下角阅读原文，即可在线阅读论文。来源：故障诊断与python学习